JP7304384B2 - モデルを生成するための方法、装置、電子機器、記憶媒体、及びコンピュータプログラム製品 - Google Patents
モデルを生成するための方法、装置、電子機器、記憶媒体、及びコンピュータプログラム製品 Download PDFInfo
- Publication number
- JP7304384B2 JP7304384B2 JP2021105345A JP2021105345A JP7304384B2 JP 7304384 B2 JP7304384 B2 JP 7304384B2 JP 2021105345 A JP2021105345 A JP 2021105345A JP 2021105345 A JP2021105345 A JP 2021105345A JP 7304384 B2 JP7304384 B2 JP 7304384B2
- Authority
- JP
- Japan
- Prior art keywords
- features
- resource
- model
- sample
- evidence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
- G06F7/22—Arrangements for sorting or merging computer data on continuous record carriers, e.g. tape, drum, disc
- G06F7/24—Sorting, i.e. extracting data from one or more carriers, rearranging the data in numerical or other ordered sequence, and rerecording the sorted data on the original carrier or on a different carrier or set of carriers sorting methods in general
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
- G06F7/22—Arrangements for sorting or merging computer data on continuous record carriers, e.g. tape, drum, disc
- G06F7/32—Merging, i.e. combining data contained in ordered sequence on at least two record carriers to produce a single carrier or set of carriers having all the original data in the ordered sequence merging methods in general
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Feedback Control In General (AREA)
- Image Analysis (AREA)
Description
なお、出願当初の特許請求の範囲の記載は以下の通りである。
請求項1:
サンプルリソースの特徴及び該サンプルリソースの特徴に対応するサンプルラベルを取得することと、
前記サンプルリソースの特徴及び前記サンプルラベルに基づいて、第1のスクリーニング因子を確定し、前記第1のスクリーニング因子に基づいて、前記サンプルリソースの特徴から第1のリソースの特徴を確定することと、
予め訓練されたロジスティック回帰モデル(LRモデル)に関連付けられるパラメータに基づいて、第2のスクリーニング因子を確定し、該第2のスクリーニング因子に基づいて、前記第1のリソースの特徴から第2のリソースの特徴を確定し、該第2のリソースの特徴に基づいて前記対象モデルの特徴を取得することと、
前記対象モデルの特徴を前記対象モデルの入力とし、前記対象モデルの特徴に対応するサンプルラベルを前記対象モデルの出力とし、機械学習モデルを訓練して対象モデルを取得することと
を含む、モデルを生成するための方法。
請求項2:
前記サンプルリソースの特徴及び前記サンプルラベルに基づいて、第1のスクリーニング因子を確定することは、
前記サンプルリソースの特徴及び前記サンプルリソースの特徴に対応するサンプルラベルに基づいて、XGBoostモデル(決定木モデル)を訓練して訓練済みXGBoostモデルを取得することと、
前記訓練済みXGBoostモデルに関連付けられるパラメータに基づいて、前記第1のスクリーニング因子を確定することと
を含む請求項1に記載の方法。
請求項3:
前記訓練済みXGBoostモデルに関連付けられるパラメータは、カバレッジ及び相関係数を含み、
前記訓練済みXGBoostモデルに関連付けられるパラメータに基づいて、前記第1のスクリーニング因子を確定することは、前記カバレッジ及び/又は前記相関係数に基づいて、前記第1のスクリーニング因子を確定することを含む、請求項2に記載の方法。
請求項4:
前記サンプルリソースの特徴をソートして、ソート済みサンプルリソースの特徴を取得することをさらに含み、
前記サンプルリソースの特徴から第1のリソースの特徴を確定することは、前記第1のスクリーニング因子に基づいて、ソート済みサンプルリソースの特徴のうちの所定数のサンプルリソースの特徴から第1のリソースの特徴を確定することを含む、請求項1~3のいずれか1項に記載の方法。
請求項5:
前記サンプルリソースの特徴をソートして、ソート済みサンプルリソースの特徴を取得することは、前記サンプルリソースの特徴の特徴重要性に基づいて、前記サンプルリソースの特徴をソートして、ソート済みサンプルリソースの特徴を取得することを含む、請求項4に記載の方法。
請求項6:
前記予め訓練されたロジスティック回帰モデル(LRモデル)に関連付けられるパラメータに基づいて、第2のスクリーニング因子を確定する前に、前記第1のリソースの特徴及び前記第1のリソースの特徴に対応するサンプルラベルに基づいて、前記LRモデルを訓練して、前記予め訓練されたLRモデルを取得することをさらに含む、請求項1に記載の方法。
請求項7:
前記予め訓練されたLRモデルに関連付けられるパラメータは、変数の係数、P値、情報の価値、モデル安定性評価指標、分散拡大係数のうちの少なくとも1つを含み、前記P値は、前記予め訓練されたLRモデルのテスト結果を判定するパラメータである、請求項6に記載の方法。
請求項8:
前記第2のリソースの特徴をビニングし、ビニングされたリソースの特徴を取得し、ビニングされたリソースの特徴に対応する証拠の重みを確定することと、
すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが所定の規則を満たすことに応答して、ビニングされたリソースの特徴を前記対象モデルの特徴とすることと
をさらに含む、請求項1に記載の方法。
請求項9:
すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが前記所定の規則を満たさないことに応答して、ビニングされたリソースの特徴をマージし、マージされたリソースの特徴の証拠の重みを計算することをさらに含み、
前記すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが所定の規則を満たすことに応答して、ビニングされたリソースの特徴を前記対象モデルの特徴とすることは、前記マージされたリソースの特徴の証拠の重みの変化パターンが前記所定の規則を満たすことに応答して、前記マージされたリソースの特徴を前記対象モデルの特徴とすることを含む請求項8に記載の方法。
請求項10:
前記所定の規則は、証拠の重みが逓増すること、証拠の重みが逓減すること、証拠の重みが増加した後に減少すること、証拠の重みが減少した後に増加することのうちの1つを含む、請求項8又は9に記載の方法。
請求項11:
グリッドサーチ、ランダムサーチ、ベイズ最適化のうちの1つに基づいて、前記対象モデルのハイパーパラメータを調整することをさらに含む、請求項1に記載の方法。
請求項12:
前記サンプルリソースの特徴は、サンプル画像の特徴、サンプルテキストの特徴、サンプル音声の特徴のうちの1つを含む、請求項1に記載の方法。
請求項13:
サンプルリソースの特徴及び該サンプルリソースの特徴に対応するサンプルラベルを取得するように構成されたサンプル取得モジュールと、
前記サンプルリソースの特徴及び前記サンプルラベルに基づいて、第1のスクリーニング因子を確定し、前記第1のスクリーニング因子に基づいて、前記サンプルリソースの特徴から第1のリソースの特徴を確定するように構成された第1の確定モジュールと、
予め訓練されたロジスティック回帰モデル(LRモデル)に関連付けられるパラメータに基づいて、第2のスクリーニング因子を確定し、該第2のスクリーニング因子に基づいて、前記第1のリソースの特徴から第2のリソースの特徴を確定し、該第2のリソースの特徴に基づいて前記対象モデルの特徴を取得するように構成された第2の確定モジュールと、
前記対象モデルの特徴を前記対象モデルの入力とし、前記対象モデルの特徴に対応するサンプルラベルを前記対象モデルの出力とし、機械学習モデルを訓練して、対象モデルを取得するように構成されたモデル訓練モジュールと
を備える、モデルを生成するための装置。
請求項14:
前記第1の確定モジュールは、
前記サンプルリソースの特徴及び前記サンプルリソースの特徴に対応するサンプルラベルに基づいて、XGBoostモデル(決定木モデル)を訓練して、訓練済みXGBoostモデルを取得するように構成されたモデル取得ユニットと、
前記訓練済みXGBoostモデルに関連付けられるパラメータに基づいて、前記第1のスクリーニング因子を確定するように構成された因子確定ユニットと
を備える、請求項13に記載の装置。
請求項15:
前記訓練済みXGBoostモデルに関連付けられるパラメータは、カバレッジ及び相関係数を含み、
前記因子確定ユニットは、前記カバレッジ及び/又は前記相関係数に基づいて、前記第1のスクリーニング因子を確定するようにさらに構成される、請求項14に記載の装置。
請求項16:
前記サンプルリソースの特徴をソートして、ソート済みサンプルリソースの特徴を取得するように構成された特徴ソートモジュールをさらに備えており、
前記第1の確定モジュールは、前記第1のスクリーニング因子に基づいて、ソート済みサンプルリソースの特徴のうちの所定数のサンプルリソースの特徴から第1のリソースの特徴を確定するようにさらに構成される、請求項13~15のいずれか1項に記載の装置。
請求項17:
前記特徴ソートモジュールは、前記サンプルリソースの特徴の特徴重要性に基づいて、前記サンプルリソースの特徴をソートし、ソート済みサンプルリソースの特徴を取得するようにさらに構成される、請求項16に記載の装置。
請求項18:
前記予め訓練されたロジスティック回帰モデル(LRモデル)に関連付けられるパラメータに基づいて、第2のスクリーニング因子を確定する前に、前記第1のリソースの特徴及び前記第1のリソースの特徴に対応するサンプルラベルに基づいて、前記LRモデルを訓練して、前記予め訓練されたLRモデルを取得するように構成されたモデル取得モジュールをさらに備える、請求項13に記載の装置。
請求項19:
前記予め訓練されたLRモデルに関連付けられるパラメータは、変数の係数、P値、情報の価値、モデル安定性評価指標、分散拡大係数のうちの少なくとも1つを含み、前記P値は、前記予め訓練されたLRモデルのテスト結果を判定するパラメータである、請求項18に記載の装置。
請求項20:
前記第2のリソースの特徴をビニングし、ビニングされたリソースの特徴を取得し、ビニングされたリソースの特徴に対応する証拠の重みを確定するように構成された第1の処理モジュールと、
すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが所定の規則を満たすことに応答して、ビニングされたリソースの特徴を前記対象モデルの特徴とするように構成された対象モデルの特徴確定モジュールと
をさらに備える請求項13に記載の装置。
請求項21:
すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが前記所定の規則を満たさないことに応答して、ビニングされたリソースの特徴をマージし、マージされたリソースの特徴の証拠の重みを計算するように構成された第2の処理モジュールをさらに備えており、
前記対象モデルの特徴確定モジュールは、前記マージされたリソースの特徴の証拠の重みの変化パターンが前記所定の規則を満たすことに応答して、前記マージされたリソースの特徴を前記対象モデルの特徴とするようにさらに構成される、請求項20に記載の装置。
請求項22:
前記所定の規則は、証拠の重みが逓増すること、証拠の重みが逓減すること、証拠の重みが増加した後に減少すること、証拠の重みが減少した後に増加することのうちの1つを含む、請求項20又は21に記載の装置。
請求項23:
グリッドサーチ、ランダムサーチ、ベイズ最適化のうちの1つに基づいて、前記対象モデルのハイパーパラメータを調整するように構成されたパラメータ調整モジュールをさらに備える、請求項13に記載の装置。
請求項24:
前記サンプルリソースの特徴は、サンプル画像の特徴、サンプルテキストの特徴、サンプル音声の特徴のうちの1つを含む、請求項13に記載の装置。
請求項25:
少なくとも1つのプロセッサと、該少なくとも1つのプロセッサと通信可能に接続されるメモリとを備えており、
前記メモリには、前記少なくとも1つのプロセッサにより実行可能な指令が格納されており、前記指令が前記少なくとも1つのプロセッサにより実行されると、前記少なくとも1つのプロセッサに請求項1~12のいずれか1項に記載の方法が実行される、電子機器。
請求項26:
コンピュータ指令が格納されている非一時的コンピュータ可読記憶媒体であって、前記コンピュータ指令は、前記コンピュータに請求項1~12のいずれか1項に記載の方法を実行させるために用いられる、非一時的コンピュータ可読記憶媒体。
請求項27:
コンピュータプログラムを含むコンピュータプログラム製品であって、前記コンピュータプログラムがプロセッサにより実行されると、請求項1~12のいずれか1項に記載の方法が実装される、コンピュータプログラム製品。
Claims (27)
- モデルを生成するための装置により実行される方法であって、
サンプルリソースの特徴及び該サンプルリソースの特徴に対応するサンプルラベルを取得することと、
前記サンプルリソースの特徴及び前記サンプルラベルに基づいて、第1のスクリーニング因子を確定し、前記第1のスクリーニング因子に基づいて、前記サンプルリソースの特徴から第1のリソースの特徴を確定することと、
予め訓練されたロジスティック回帰モデル(LRモデル)に関連付けられるパラメータに基づいて、第2のスクリーニング因子を確定し、該第2のスクリーニング因子に基づいて、前記第1のリソースの特徴から第2のリソースの特徴を確定し、該第2のリソースの特徴に基づいて対象モデルの特徴を取得することと、
前記対象モデルの特徴を前記対象モデルの入力とし、前記対象モデルの特徴に対応するサンプルラベルを前記対象モデルの出力とし、機械学習モデルを訓練して前記対象モデルを取得することと
を含む方法。 - 前記サンプルリソースの特徴及び前記サンプルラベルに基づいて、第1のスクリーニング因子を確定することは、
前記サンプルリソースの特徴及び前記サンプルリソースの特徴に対応するサンプルラベルに基づいて、XGBoostモデル(決定木モデル)を訓練して訓練済みXGBoostモデルを取得することと、
前記訓練済みXGBoostモデルに関連付けられるパラメータに基づいて、前記第1のスクリーニング因子を確定することと
を含む請求項1に記載の方法。 - 前記訓練済みXGBoostモデルに関連付けられるパラメータは、カバレッジ及び相関係数を含み、
前記訓練済みXGBoostモデルに関連付けられるパラメータに基づいて、前記第1のスクリーニング因子を確定することは、前記カバレッジ及び/又は前記相関係数に基づいて、前記第1のスクリーニング因子を確定することを含む、請求項2に記載の方法。 - 前記サンプルリソースの特徴をソートして、ソート済みサンプルリソースの特徴を取得することをさらに含み、
前記サンプルリソースの特徴から第1のリソースの特徴を確定することは、前記第1のスクリーニング因子に基づいて、ソート済みサンプルリソースの特徴のうちの所定数のサンプルリソースの特徴から第1のリソースの特徴を確定することを含む、請求項1~3のいずれか1項に記載の方法。 - 前記サンプルリソースの特徴をソートして、ソート済みサンプルリソースの特徴を取得することは、前記サンプルリソースの特徴の特徴重要性に基づいて、前記サンプルリソースの特徴をソートして、ソート済みサンプルリソースの特徴を取得することを含む、請求項4に記載の方法。
- 前記予め訓練されたロジスティック回帰モデル(LRモデル)に関連付けられるパラメータに基づいて、第2のスクリーニング因子を確定する前に、前記第1のリソースの特徴及び前記第1のリソースの特徴に対応するサンプルラベルに基づいて、前記LRモデルを訓練して、前記予め訓練されたLRモデルを取得することをさらに含む、請求項1に記載の方法。
- 前記予め訓練されたLRモデルに関連付けられるパラメータは、変数の係数、P値、情報の価値、モデル安定性評価指標、分散拡大係数のうちの少なくとも1つを含み、前記P値は、前記予め訓練されたLRモデルのテスト結果を判定するパラメータである、請求項6に記載の方法。
- 前記第2のリソースの特徴をビニングし、ビニングされたリソースの特徴を取得し、ビニングされたリソースの特徴に対応する証拠の重みを確定することと、
すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが所定の規則を満たすことに応答して、ビニングされたリソースの特徴を前記対象モデルの特徴とすることと
をさらに含む、請求項1に記載の方法。 - すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが前記所定の規則を満たさないことに応答して、ビニングされたリソースの特徴をマージし、マージされたリソースの特徴の証拠の重みを計算することをさらに含み、
前記すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが所定の規則を満たすことに応答して、ビニングされたリソースの特徴を前記対象モデルの特徴とすることは、前記マージされたリソースの特徴の証拠の重みの変化パターンが前記所定の規則を満たすことに応答して、前記マージされたリソースの特徴を前記対象モデルの特徴とすることを含む請求項8に記載の方法。 - 前記所定の規則は、証拠の重みが逓増すること、証拠の重みが逓減すること、証拠の重みが増加した後に減少すること、証拠の重みが減少した後に増加することのうちの1つを含む、請求項8又は9に記載の方法。
- グリッドサーチ、ランダムサーチ、ベイズ最適化のうちの1つに基づいて、前記対象モデルのハイパーパラメータを調整することをさらに含む、請求項1に記載の方法。
- 前記サンプルリソースの特徴は、サンプル画像の特徴、サンプルテキストの特徴、サンプル音声の特徴のうちの1つを含む、請求項1に記載の方法。
- サンプルリソースの特徴及び該サンプルリソースの特徴に対応するサンプルラベルを取得するように構成されたサンプル取得モジュールと、
前記サンプルリソースの特徴及び前記サンプルラベルに基づいて、第1のスクリーニング因子を確定し、前記第1のスクリーニング因子に基づいて、前記サンプルリソースの特徴から第1のリソースの特徴を確定するように構成された第1の確定モジュールと、
予め訓練されたロジスティック回帰モデル(LRモデル)に関連付けられるパラメータに基づいて、第2のスクリーニング因子を確定し、該第2のスクリーニング因子に基づいて、前記第1のリソースの特徴から第2のリソースの特徴を確定し、該第2のリソースの特徴に基づいて対象モデルの特徴を取得するように構成された第2の確定モジュールと、
前記対象モデルの特徴を前記対象モデルの入力とし、前記対象モデルの特徴に対応するサンプルラベルを前記対象モデルの出力とし、機械学習モデルを訓練して、前記対象モデルを取得するように構成されたモデル訓練モジュールと
を備える、モデルを生成するための装置。 - 前記第1の確定モジュールは、
前記サンプルリソースの特徴及び前記サンプルリソースの特徴に対応するサンプルラベルに基づいて、XGBoostモデル(決定木モデル)を訓練して、訓練済みXGBoostモデルを取得するように構成されたモデル取得ユニットと、
前記訓練済みXGBoostモデルに関連付けられるパラメータに基づいて、前記第1のスクリーニング因子を確定するように構成された因子確定ユニットと
を備える、請求項13に記載の装置。 - 前記訓練済みXGBoostモデルに関連付けられるパラメータは、カバレッジ及び相関係数を含み、
前記因子確定ユニットは、前記カバレッジ及び/又は前記相関係数に基づいて、前記第1のスクリーニング因子を確定するようにさらに構成される、請求項14に記載の装置。 - 前記サンプルリソースの特徴をソートして、ソート済みサンプルリソースの特徴を取得するように構成された特徴ソートモジュールをさらに備えており、
前記第1の確定モジュールは、前記第1のスクリーニング因子に基づいて、ソート済みサンプルリソースの特徴のうちの所定数のサンプルリソースの特徴から第1のリソースの特徴を確定するようにさらに構成される、請求項13~15のいずれか1項に記載の装置。 - 前記特徴ソートモジュールは、前記サンプルリソースの特徴の特徴重要性に基づいて、前記サンプルリソースの特徴をソートし、ソート済みサンプルリソースの特徴を取得するようにさらに構成される、請求項16に記載の装置。
- 前記予め訓練されたロジスティック回帰モデル(LRモデル)に関連付けられるパラメータに基づいて、第2のスクリーニング因子を確定する前に、前記第1のリソースの特徴及び前記第1のリソースの特徴に対応するサンプルラベルに基づいて、前記LRモデルを訓練して、前記予め訓練されたLRモデルを取得するように構成されたモデル取得モジュールをさらに備える、請求項13に記載の装置。
- 前記予め訓練されたLRモデルに関連付けられるパラメータは、変数の係数、P値、情報の価値、モデル安定性評価指標、分散拡大係数のうちの少なくとも1つを含み、前記P値は、前記予め訓練されたLRモデルのテスト結果を判定するパラメータである、請求項18に記載の装置。
- 前記第2のリソースの特徴をビニングし、ビニングされたリソースの特徴を取得し、ビニングされたリソースの特徴に対応する証拠の重みを確定するように構成された第1の処理モジュールと、
すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが所定の規則を満たすことに応答して、ビニングされたリソースの特徴を前記対象モデルの特徴とするように構成された対象モデルの特徴確定モジュールと
をさらに備える請求項13に記載の装置。 - すべてのビニングされたリソースの特徴に対応する証拠の重みの変化パターンが前記所定の規則を満たさないことに応答して、ビニングされたリソースの特徴をマージし、マージされたリソースの特徴の証拠の重みを計算するように構成された第2の処理モジュールをさらに備えており、
前記対象モデルの特徴確定モジュールは、前記マージされたリソースの特徴の証拠の重みの変化パターンが前記所定の規則を満たすことに応答して、前記マージされたリソースの特徴を前記対象モデルの特徴とするようにさらに構成される、請求項20に記載の装置。 - 前記所定の規則は、証拠の重みが逓増すること、証拠の重みが逓減すること、証拠の重みが増加した後に減少すること、証拠の重みが減少した後に増加することのうちの1つを含む、請求項20又は21に記載の装置。
- グリッドサーチ、ランダムサーチ、ベイズ最適化のうちの1つに基づいて、前記対象モデルのハイパーパラメータを調整するように構成されたパラメータ調整モジュールをさらに備える、請求項13に記載の装置。
- 前記サンプルリソースの特徴は、サンプル画像の特徴、サンプルテキストの特徴、サンプル音声の特徴のうちの1つを含む、請求項13に記載の装置。
- 少なくとも1つのプロセッサと、該少なくとも1つのプロセッサと通信可能に接続されるメモリとを備えており、
前記メモリには、前記少なくとも1つのプロセッサにより実行可能な指令が格納されており、前記指令が前記少なくとも1つのプロセッサにより実行されると、前記少なくとも1つのプロセッサに請求項1~12のいずれか1項に記載の方法が実行される、電子機器。 - コンピュータ指令が格納されている非一時的コンピュータ可読記憶媒体であって、前記コンピュータ指令は、コンピュータに請求項1~12のいずれか1項に記載の方法を実行させるために用いられる、非一時的コンピュータ可読記憶媒体。
- コンピュータプログラムであって、前記コンピュータプログラムがプロセッサにより実行されると、請求項1~12のいずれか1項に記載の方法が実装される、コンピュータプログラム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011530270.5A CN112561082B (zh) | 2020-12-22 | 2020-12-22 | 生成模型的方法、装置、设备以及存储介质 |
CN202011530270.5 | 2020-12-22 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022033695A JP2022033695A (ja) | 2022-03-02 |
JP7304384B2 true JP7304384B2 (ja) | 2023-07-06 |
Family
ID=75031481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021105345A Active JP7304384B2 (ja) | 2020-12-22 | 2021-06-25 | モデルを生成するための方法、装置、電子機器、記憶媒体、及びコンピュータプログラム製品 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20210319366A1 (ja) |
EP (1) | EP3893169A3 (ja) |
JP (1) | JP7304384B2 (ja) |
CN (1) | CN112561082B (ja) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111928B (zh) * | 2021-04-01 | 2023-12-29 | 中国地质大学(北京) | 一种基于地学数据库的半监督学习矿产资源定量预测方法 |
CN113449193A (zh) * | 2021-07-08 | 2021-09-28 | 中国工商银行股份有限公司 | 基于多分类图像的信息推荐方法及装置 |
CN113672783B (zh) * | 2021-08-11 | 2023-07-11 | 北京达佳互联信息技术有限公司 | 特征处理方法、模型训练方法及媒体资源处理方法 |
CN113780582B (zh) * | 2021-09-15 | 2023-04-07 | 杭银消费金融股份有限公司 | 基于机器学习模型的风控特征筛选方法及系统 |
CN114240149B (zh) * | 2021-12-16 | 2024-07-26 | 上海冰鉴信息科技有限公司 | 用户特征项筛选方法、装置及电子设备 |
CN114511022B (zh) * | 2022-01-24 | 2022-12-27 | 百度在线网络技术(北京)有限公司 | 特征筛选、行为识别模型训练、异常行为识别方法及装置 |
CN114491416B (zh) * | 2022-02-23 | 2024-07-16 | 北京百度网讯科技有限公司 | 特征信息的处理方法、装置、电子设备和存储介质 |
CN114936205A (zh) * | 2022-06-02 | 2022-08-23 | 江苏品生医疗科技集团有限公司 | 一种特征筛选方法、装置、存储介质及电子设备 |
CN117112445B (zh) * | 2023-10-07 | 2024-01-16 | 太平金融科技服务(上海)有限公司 | 一种机器学习模型稳定性检测方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170300546A1 (en) | 2014-12-23 | 2017-10-19 | Huawei Technologies Co., Ltd. | Method and Apparatus for Data Processing in Data Modeling |
JP2020035395A (ja) | 2018-08-31 | 2020-03-05 | 株式会社リコー | 学習方法、プログラムおよび学習装置 |
JP2020060922A (ja) | 2018-10-09 | 2020-04-16 | 株式会社Preferred Networks | ハイパーパラメータチューニング方法、装置及びプログラム |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050556B (zh) * | 2014-05-27 | 2017-06-16 | 哈尔滨理工大学 | 一种垃圾邮件的特征选择方法及其检测方法 |
CN107133628A (zh) * | 2016-02-26 | 2017-09-05 | 阿里巴巴集团控股有限公司 | 一种建立数据识别模型的方法及装置 |
CN110543946B (zh) * | 2018-05-29 | 2022-07-05 | 百度在线网络技术(北京)有限公司 | 用于训练模型的方法和装置 |
CN109033833B (zh) * | 2018-07-13 | 2021-04-09 | 北京理工大学 | 一种基于多特征与特征选择的恶意代码分类方法 |
CN110175644A (zh) * | 2019-05-27 | 2019-08-27 | 恒安嘉新(北京)科技股份公司 | 特征选择方法、装置、电子设备、及存储介质 |
CN110222097A (zh) * | 2019-06-18 | 2019-09-10 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CA3050951A1 (en) * | 2019-06-21 | 2019-10-11 | Inspectorio Inc. | Factory risk estimation using historical inspection data |
CN110782277A (zh) * | 2019-10-12 | 2020-02-11 | 上海陆家嘴国际金融资产交易市场股份有限公司 | 资源处理方法、装置、计算机设备和存储介质 |
CN111783843A (zh) * | 2020-06-10 | 2020-10-16 | 苏宁金融科技(南京)有限公司 | 一种特征选择方法、装置及计算机系统 |
CN112070226B (zh) * | 2020-09-02 | 2023-06-27 | 北京百度网讯科技有限公司 | 在线预测模型的训练方法、装置、设备及存储介质 |
-
2020
- 2020-12-22 CN CN202011530270.5A patent/CN112561082B/zh active Active
-
2021
- 2021-06-21 EP EP21180612.0A patent/EP3893169A3/en not_active Ceased
- 2021-06-24 US US17/304,686 patent/US20210319366A1/en active Pending
- 2021-06-25 JP JP2021105345A patent/JP7304384B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170300546A1 (en) | 2014-12-23 | 2017-10-19 | Huawei Technologies Co., Ltd. | Method and Apparatus for Data Processing in Data Modeling |
JP2020035395A (ja) | 2018-08-31 | 2020-03-05 | 株式会社リコー | 学習方法、プログラムおよび学習装置 |
JP2020060922A (ja) | 2018-10-09 | 2020-04-16 | 株式会社Preferred Networks | ハイパーパラメータチューニング方法、装置及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
US20210319366A1 (en) | 2021-10-14 |
CN112561082B (zh) | 2024-08-27 |
CN112561082A (zh) | 2021-03-26 |
EP3893169A3 (en) | 2021-12-29 |
EP3893169A2 (en) | 2021-10-13 |
JP2022033695A (ja) | 2022-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7304384B2 (ja) | モデルを生成するための方法、装置、電子機器、記憶媒体、及びコンピュータプログラム製品 | |
CN109408731B (zh) | 一种多目标推荐方法、多目标推荐模型生成方法以及装置 | |
US10360517B2 (en) | Distributed hyperparameter tuning system for machine learning | |
US20230102337A1 (en) | Method and apparatus for training recommendation model, computer device, and storage medium | |
KR20220113881A (ko) | 사전 훈련 모델의 생성 방법, 장치, 전자 기기 및 저장 매체 | |
US20180075175A1 (en) | Automated model development process | |
CN112270547A (zh) | 基于特征构造的金融风险评估方法、装置和电子设备 | |
CN110390408A (zh) | 交易对象预测方法和装置 | |
CN113159355A (zh) | 数据预测方法、装置、物流货量预测方法、介质、设备 | |
CN111738331A (zh) | 用户分类方法及装置、计算机可读存储介质、电子设备 | |
CN112632377B (zh) | 一种基于用户评论情感分析与矩阵分解的推荐方法 | |
CN115269786B (zh) | 可解释的虚假文本检测方法、装置、存储介质以及终端 | |
CN114972877B (zh) | 一种图像分类模型训练方法、装置及电子设备 | |
CN111461757B (zh) | 信息处理方法及装置、计算机存储介质、电子设备 | |
CN113642727B (zh) | 神经网络模型的训练方法和多媒体信息的处理方法、装置 | |
CN113961765B (zh) | 基于神经网络模型的搜索方法、装置、设备和介质 | |
CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
CN112541705B (zh) | 生成用户行为评估模型的方法、装置、设备以及存储介质 | |
CN114037060A (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 | |
CN113312552A (zh) | 数据处理方法、装置、电子设备和介质 | |
CN113361712B (zh) | 特征确定模型的训练方法、语义分析方法、装置及电子设备 | |
CN116823407B (zh) | 产品信息推送方法、装置、电子设备和计算机可读介质 | |
CN114066278B (zh) | 物品召回的评估方法、装置、介质及程序产品 | |
CN114037058B (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211220 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221118 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221124 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230220 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230303 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230602 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230613 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230626 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7304384 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |