JP7307785B2 - 機器学習装置及び方法 - Google Patents
機器学習装置及び方法 Download PDFInfo
- Publication number
- JP7307785B2 JP7307785B2 JP2021195279A JP2021195279A JP7307785B2 JP 7307785 B2 JP7307785 B2 JP 7307785B2 JP 2021195279 A JP2021195279 A JP 2021195279A JP 2021195279 A JP2021195279 A JP 2021195279A JP 7307785 B2 JP7307785 B2 JP 7307785B2
- Authority
- JP
- Japan
- Prior art keywords
- loss
- processor
- neural network
- machine learning
- network structure
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
- Feedback Control In General (AREA)
- Control Of Electric Motors In General (AREA)
- Numerical Control (AREA)
Description
E(apbq)=E(ap)E(bq) (1)
independent loss=-|E(apbq)-E(ap)E(bq)| (2)
Claims (14)
- プロセッサによってメモリからモデルパラメータを取得して、前記モデルパラメータに基づいて複数のニューラルネットワーク構造層を含む分類モデルを実行する工程と、
前記プロセッサによって複数のトレーニングサンプルに基づいて、前記複数のニューラルネットワーク構造層における出力層に対応する第1の損失と、前記複数のニューラルネットワーク構造層における前記出力層よりも前に位置するいずれかの層に対応する第2の損失を算出する工程と、
プロセッサによって前記第1の損失及び前記第2の損失に基づいて前記モデルパラメータに対して複数の更新操作を実行して前記分類モデルをトレーニングする工程と、
を備え、
前記複数のトレーニングサンプルに基づいて前記第1の損失と前記第2の損失を算出する前記工程は、
前記プロセッサによって、前記複数のトレーニングサンプルに基づいて前記分類モデルから複数の抽出特徴を生成する工程と、
前記プロセッサによって、前記複数の抽出特徴に基づいて前記第2の損失を算出する工程を含み、
前記複数の抽出特徴は、前記複数のニューラルネットワーク構造層の前記いずれかの層に対応し、前記第2の損失は、前記複数の抽出特徴の期待値と前記複数の抽出特徴の積との差の値である、
機器学習方法。 - 前記複数のトレーニングサンプルに基づいて前記第1の損失及び前記第2の損失を算出する工程は、
前記プロセッサによって前記複数のトレーニングサンプルに基づいて前記複数のニューラルネットワーク構造層の前記出力層から複数の予測ラベルを生成する工程と、
前記プロセッサによって前記複数の予測ラベルと前記複数のトレーニングサンプルの複数のトレーニングラベルとを比較して前記第1の損失を算出する工程と、
を含む請求項1に記載の機器学習方法。 - 前記第1の損失及び前記第2の損失に基づいて前記モデルパラメータに対して前記複数の更新操作を実行して前記分類モデルをトレーニングする工程は、
前記プロセッサによって前記第1の損失及び前記第2の損失に基づいて複数の損失差を算出する工程と、
前記プロセッサによって前記複数の損失差に基づいて前記分類モデルに対して複数の逆伝搬操作を実行して前記モデルパラメータを更新する工程と、
を含む請求項1に記載の機器学習方法。 - 前記第1の損失及び前記第2の損失に基づいて前記モデルパラメータに対して前記複数の更新操作を実行して前記分類モデルをトレーニングする工程は、
前記プロセッサによって前記第1の損失、前記第2の損失、及び前記第3の損失に基づいて、複数の損失差を算出する工程と、
前記プロセッサによって前記複数の損失差に基づいて前記分類モデルに対して複数の逆伝搬操作を実行して前記モデルパラメータを更新する工程と、
を含む請求項4に記載の機器学習方法。 - 前記出力層は、少なくとも1つの完全結合層を含み、前記複数のニューラルネットワーク構造層における前記いずれかの層は、少なくとも1つの畳み込み層を含む請求項1に記載の機器学習方法。
- 前記分類モデルは、ニューラルネットワークに関連づけられる請求項1に記載の機器学習方法。
- 複数の命令及びモデルパラメータを記憶するためのメモリと、
前記メモリに接続されるプロセッサと、
を備える機器学習装置であって、
前記プロセッサは、分類モデルを実行するとともに、
前記メモリから前記モデルパラメータを取得して、前記モデルパラメータに基づいて複数のニューラルネットワーク構造層を含む前記分類モデルを実行し、
複数のトレーニングサンプルに基づいて、前記複数のニューラルネットワーク構造層における出力層に対応する第1の損失と、前記複数のニューラルネットワーク構造層における前記出力層よりも前に位置するいずれかの層に対応する第2の損失を算出し、
前記第1の損失及び前記第2の損失に基づいて前記モデルパラメータに対して複数の更新操作を実行して前記分類モデルをトレーニングするように、
前記複数の命令を実行するためのものであり、
前記プロセッサは、さらに、
前記複数のトレーニングサンプルに基づいて、前記分類モデルから複数の抽出特徴を生成し、
前記複数の抽出特徴に基づいて前記第2の損失を算出するように構成されており、
前記複数の抽出特徴は、前記複数のニューラルネットワーク構造層の前記いずれかの層に対応し、前記第2の損失は、前記複数の抽出特徴の期待値と前記複数の抽出特徴の積との差の値である、
機器学習装置。 - 前記プロセッサは、更に、
前記複数のトレーニングサンプルに基づいて前記複数のニューラルネットワーク構造層の前記出力層から複数の予測ラベルを生成し、及び
前記第1の損失を算出するように、前記複数の予測ラベルと前記複数のトレーニングサンプルの複数のトレーニングラベルとを比較するためのものである、
請求項8に記載の機器学習装置。 - 前記プロセッサは、更に、
前記第1の損失及び前記第2の損失に基づいて複数の損失差を算出し、及び
前記複数の損失差に基づいて前記分類モデルに対して複数の逆伝搬操作を実行して前記モデルパラメータを更新するためのもので
請求項8に記載の機器学習装置。 - 前記プロセッサは、更に、
前記第1の損失、前記第2の損失、及び前記第3の損失に基づいて複数の損失差を算出し、及び
前記複数の損失差に基づいて前記分類モデルに対して複数の逆伝搬操作を実行して前記モデルパラメータを更新するためのものである、
請求項11に記載の機器学習装置。 - 前記出力層は、少なくとも1つの完全結合層を含み、前記複数のニューラルネットワーク構造層におけるいずれかの層は、少なくとも1つの畳み込み層を含む請求項8に記載の機器学習装置。
- 前記分類モデルは、ニューラルネットワークに関連づけられる請求項8に記載の機器学習装置。
Applications Claiming Priority (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063120216P | 2020-12-02 | 2020-12-02 | |
US63/120,216 | 2020-12-02 | ||
US202163152348P | 2021-02-23 | 2021-02-23 | |
US63/152,348 | 2021-02-23 | ||
US17/448,711 US20220172064A1 (en) | 2020-12-02 | 2021-09-24 | Machine learning method and machine learning device for eliminating spurious correlation |
US17/448,711 | 2021-09-24 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022088341A JP2022088341A (ja) | 2022-06-14 |
JP7307785B2 true JP7307785B2 (ja) | 2023-07-12 |
Family
ID=78820691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021195279A Active JP7307785B2 (ja) | 2020-12-02 | 2021-12-01 | 機器学習装置及び方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220172064A1 (ja) |
EP (1) | EP4009245A1 (ja) |
JP (1) | JP7307785B2 (ja) |
CN (1) | CN114648094A (ja) |
TW (1) | TWI781000B (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976221B (zh) * | 2023-08-10 | 2024-05-17 | 西安理工大学 | 基于冲蚀特性的堰塞体溃决峰值流量预测方法及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019032807A (ja) | 2017-08-04 | 2019-02-28 | 富士電機株式会社 | 要因分析システム、要因分析方法およびプログラム |
JP2019096006A (ja) | 2017-11-21 | 2019-06-20 | キヤノン株式会社 | 情報処理装置、情報処理方法 |
WO2020090651A1 (ja) | 2018-10-29 | 2020-05-07 | 日本電信電話株式会社 | 音響モデル学習装置、モデル学習装置、それらの方法、およびプログラム |
CN111476363A (zh) | 2020-03-13 | 2020-07-31 | 清华大学 | 区分化变量去相关的稳定学习方法及装置 |
JP2020135465A (ja) | 2019-02-20 | 2020-08-31 | 株式会社東芝 | 学習装置、学習方法、プログラムおよび認識装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10108850B1 (en) * | 2017-04-24 | 2018-10-23 | Intel Corporation | Recognition, reidentification and security enhancements using autonomous machines |
US20200012890A1 (en) * | 2018-07-06 | 2020-01-09 | Capital One Services, Llc | Systems and methods for data stream simulation |
US11954881B2 (en) * | 2018-08-28 | 2024-04-09 | Apple Inc. | Semi-supervised learning using clustering as an additional constraint |
CN109766954B (zh) * | 2019-01-31 | 2020-12-04 | 北京市商汤科技开发有限公司 | 一种目标对象处理方法、装置、电子设备及存储介质 |
US11699070B2 (en) * | 2019-03-05 | 2023-07-11 | Samsung Electronics Co., Ltd | Method and apparatus for providing rotational invariant neural networks |
-
2021
- 2021-09-24 US US17/448,711 patent/US20220172064A1/en active Pending
- 2021-12-01 EP EP21211637.0A patent/EP4009245A1/en active Pending
- 2021-12-01 CN CN202111451127.1A patent/CN114648094A/zh active Pending
- 2021-12-01 TW TW110144877A patent/TWI781000B/zh active
- 2021-12-01 JP JP2021195279A patent/JP7307785B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019032807A (ja) | 2017-08-04 | 2019-02-28 | 富士電機株式会社 | 要因分析システム、要因分析方法およびプログラム |
JP2019096006A (ja) | 2017-11-21 | 2019-06-20 | キヤノン株式会社 | 情報処理装置、情報処理方法 |
WO2020090651A1 (ja) | 2018-10-29 | 2020-05-07 | 日本電信電話株式会社 | 音響モデル学習装置、モデル学習装置、それらの方法、およびプログラム |
JP2020135465A (ja) | 2019-02-20 | 2020-08-31 | 株式会社東芝 | 学習装置、学習方法、プログラムおよび認識装置 |
CN111476363A (zh) | 2020-03-13 | 2020-07-31 | 清华大学 | 区分化变量去相关的稳定学习方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
TWI781000B (zh) | 2022-10-11 |
EP4009245A1 (en) | 2022-06-08 |
JP2022088341A (ja) | 2022-06-14 |
US20220172064A1 (en) | 2022-06-02 |
TW202223770A (zh) | 2022-06-16 |
CN114648094A (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3872705B1 (en) | Detection model training method and apparatus and terminal device | |
US11151417B2 (en) | Method of and system for generating training images for instance segmentation machine learning algorithm | |
US11836931B2 (en) | Target detection method, apparatus and device for continuous images, and storage medium | |
CN107403426B (zh) | 一种目标物体检测方法及设备 | |
JP2020071883A (ja) | モデル訓練方法、データ認識方法及びデータ認識装置 | |
US20230267381A1 (en) | Neural trees | |
US20220188636A1 (en) | Meta pseudo-labels | |
CN113435430B (zh) | 基于自适应时空纠缠的视频行为识别方法、系统、设备 | |
CN113826125A (zh) | 使用无监督数据增强来训练机器学习模型 | |
CN114692732B (zh) | 一种在线标签更新的方法、系统、装置及存储介质 | |
CN113380413A (zh) | 一种构建无效再通fr预测模型的方法和装置 | |
JP7226696B2 (ja) | 機械学習方法、機械学習システム及び非一時的コンピュータ可読記憶媒体 | |
CN115511069A (zh) | 神经网络的训练方法、数据处理方法、设备及存储介质 | |
CN113537630A (zh) | 业务预测模型的训练方法及装置 | |
JP7307785B2 (ja) | 機器学習装置及び方法 | |
CN116912568A (zh) | 基于自适应类别均衡的含噪声标签图像识别方法 | |
CN117765432A (zh) | 一种基于动作边界预测的中学理化生实验动作检测方法 | |
CN110909860A (zh) | 神经网络参数初始化的方法和装置 | |
CN114462526A (zh) | 一种分类模型训练方法、装置、计算机设备及存储介质 | |
Yan | Convolutional Neural Networks and Recurrent Neural Networks | |
CN112686277A (zh) | 模型训练的方法和装置 | |
CA3070816A1 (en) | Method of and system for generating training images for instance segmentation machine learning algorithm | |
CN115658307B (zh) | 一种基于压缩数据直接计算的智能负载处理方法和系统 | |
CN114708471B (zh) | 跨模态图像生成方法、装置、电子设备与存储介质 | |
EP4116874A1 (en) | A method for training a machine learning model to recognize a pattern in an input signal |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220221 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230124 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230125 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20230419 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230420 |
|
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: 20230627 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230630 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7307785 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |