JP7401677B2 - モデル更新システム、モデル更新方法及び関連装置 - Google Patents
モデル更新システム、モデル更新方法及び関連装置 Download PDFInfo
- Publication number
- JP7401677B2 JP7401677B2 JP2022531508A JP2022531508A JP7401677B2 JP 7401677 B2 JP7401677 B2 JP 7401677B2 JP 2022531508 A JP2022531508 A JP 2022531508A JP 2022531508 A JP2022531508 A JP 2022531508A JP 7401677 B2 JP7401677 B2 JP 7401677B2
- Authority
- JP
- Japan
- Prior art keywords
- model
- data
- analysis device
- site
- site analysis
- 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
- 238000000034 method Methods 0.000 title claims description 100
- 238000004458 analytical method Methods 0.000 claims description 425
- 238000012549 training Methods 0.000 claims description 249
- 238000012360 testing method Methods 0.000 claims description 46
- 238000013461 design Methods 0.000 description 42
- 230000000875 corresponding effect Effects 0.000 description 40
- 238000010801 machine learning Methods 0.000 description 37
- 238000001514 detection method Methods 0.000 description 20
- 238000012545 processing Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000013473 artificial intelligence Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000013480 data collection Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Description
本願のこの実施形態では、サイト解析装置は第1の解析装置によって送信第1のモデルを受信し、第1の訓練サンプルを用いることにより第1のモデルを訓練して第2のモデルを取得し得る。第2のモデルを取得した後で、サイト解析装置は、第1のモデルと第2のモデルとの差分データを取得し、差分データを第1の解析装置に送信して、第1の解析装置に差分データに基づいて第1のモデルを更新するよう要求し得る。差分データは、第1のモデル及び第2のモデルに基づいてサイト解析装置によって取得され、第2のモデルは、第1の訓練サンプルを用いることにより第1のモデルを訓練することによってサイト解析装置によって取得される。第1の訓練サンプルはネットワーク装置の第1の特徴データを含み、差分データのプライバシーは第1の特徴データのものよりも高い。したがって、第1の解析装置がモデル性能を維持するために第1のモデルを更新することに基づいてプライバシーが改善される。
第1の解析装置によって送信される第1のモデルを受信するように構成された受信ユニットと、
第1の訓練サンプルを用いることにより第1のモデルを訓練して第2のモデルを得るように構成された訓練ユニットであって、該第1の訓練サンプルは、サイト解析装置に対応するサイトネットワーク内のネットワーク装置の第1の特徴データを含む、訓練ユニットと、
第1のモデルと第2のモデルとの差分データを得るように構成された取得ユニットと、
差分データを第1の解析装置に送信して、第1の解析装置に、差分データに基づいて第1のモデルを更新して第3のモデルを得るように要求するように構成された送信ユニットと、
を含むモデル更新装置を提供する。
第1のモデルが劣化しているかどうか判定するように構成された判定ユニットであって、該判定ユニットが第1のモデルは劣化していると判定した場合に、訓練ユニットは、第1の訓練サンプルを用いることにより第1のモデルを訓練して第2のモデルを得る、判定ユニット、をさらに含む。
判定ユニットは、第1のモデルのパフォーマンス定量インジケータが目標閾値未満かどうか判定するようさらに構成され、
第1のモデルのパフォーマンス定量インジケータが目標閾値未満の場合、判定ユニットは、第1のモデルが劣化していると判定するように具体的に構成されている。
取得ユニットは、第2の特徴データに基づいて第1のモデルによって得られた第1の推論結果を得るようにさらに構成され、
取得ユニットは、第1の推論結果及び第2の特徴データのプリセットラベルに基づいて、第1のモデルの精度を得て、精度を第1のモデルのパフォーマンス定量インジケータとして用いるように具体的に構成されているか又は取得ユニットは、第1の推論結果及び第2の特徴データのプリセットラベルに基づいて、第1のモデルの再現率を得て、該再現率を第1のモデルのパフォーマンス定量インジケータとして用いるように具体的に構成されている。
可能な設計では、受信ユニットは、ネットワーク装置の予測されるべき特徴データを受信するようにさらに構成され、
前記装置は、
更新されたモデルを用いることにより、ネットワーク装置の予測されるべき特徴データに基づいて推論結果を出力するように構成された推論ユニットであって、該更新されたモデルは第2のモデル又は第3のモデルを含む、推論ユニットをさらに含む。
推論ユニットは、更新されたモデルを用いることにより、ネットワーク装置の予測されるべき特徴データに基づいて分類結果を予測するように具体的に構成されている。
テストデータを用いることにより第2のモデルをテストするように構成されたテストユニットであって、該テストデータはグラウンドトゥルースラベルを含む、テストユニットと
劣化したデータを記憶して、サイト解析装置が該劣化したデータを用いることにより、サイト解析装置内のモデルを更新できるようにするように構成された記憶ユニットであって、該劣化したデータテストデータに属し、劣化したデータの推論ラベルはグラウンドトゥルースラベルと等しくなく、該推論ラベルはテストデータを用いることにより、第2のモデルをテストすることによりサイト解析装置によって得られる、記憶ユニットと、をさらに含む。
第1のモデルをサイト解析装置に送信するように構成された送信ユニットであって、該第1のモデルは、ネットワーク装置の予測されるべき特徴データに基づいて推論結果を出力するように構成されている、送信ユニットと、
第1のモデルと第2のモデルとの差分データを受信するように構成された受信ユニットであって、該第2のモデルは、第1の訓練サンプルを用いることにより第1のモデルを訓練することによりサイト解析装置によって得られ、該第1の訓練サンプルは、サイト解析装置に対応するサイトネットワーク内のネットワーク装置の第1の特徴データを含む、受信ユニットと、
差分データに基づいて第1のモデルを更新して第3のモデルを得るように構成された更新ユニットと、
を含む、モデル更新装置を提供する。
受信ユニットは、L個のサイト解析装置によって送信される複数の差分データを受信するように具体的に構成され、Lは1よりも大きく且つN以下の整数であり、
更新ユニットは、複数の差分データに基づいて第1のモデルを更新して第3のモデルを得るように具体的に構成され、
送信ユニットは、第3のモデルをN個のサイト解析装置に送信するようにさらに構成されている。
複数の差分データの平均値を得るように構成された取得ユニットをさらに含み、
更新ユニットは、複数の差分データの平均値を用いることにより第1のモデルを更新して第3のモデルを得るように具体的に構成されている。
複数の差分データの加重平均値を得るように構成された取得ユニットをさらに含み、
更新ユニットは、加重平均値を用いることにより第1のモデルを更新して第3のモデルを得るように具体的に構成されている。
差分データを第1の解析装置に送信するL個のサイト解析装置に関する統計を収集するように構成された統計収集ユニットをさらに含み、
Nに対するLの比が閾値Kに達した場合、更新ユニットは、差分データに基づいて第1のモデルを更新して第3のモデルを得るように具体的に構成され、Kは0より大きく1以下である。
メモリはプログラムを記憶するように構成され、
プロセッサは、第2の態様又は第2の態様の実施のいずれか1つに係る方法を行うこと又は第3の態様又は第3の態様の実施のいずれか1つに係る方法を行うことを含む、メモリ内の前記プログラムを実行するように構成されている。
及び/又はターゲット特徴は、自己回帰フィッティング誤差、ガウスプロセス回帰フィッティング誤差又はニューラルネットワークフィッティング誤差のうちの1つ以上を含むフィッティング特徴を含み、それに対応して、ターゲット特徴データは1つ以上のフィッティング特徴のデータを含み、
及び/又はターゲット特徴は、周波数領域特徴、すなわち、時系列における高周波成分の割合を含み、それに対応して、ターゲット特徴データは、時系列における高周波成分の割合に関するデータを含み、該データは、時系列に対してウェーブレット分解を行うことにより得られ得る。
A=(0.8×B1+1×B2+1.2×B3)÷3であり、
Aは、複数の差分データの加重平均値であり、B1は第1の差分データであり、B2は第2の差分データであり、B3は第3の差分データである。
A=0.2×B1+0.2×B2+0.6×B3である。
サイト解析装置502及び第1の解析装置501を含み、
サイト解析装置502は、第1の解析装置501によって送信される第1のモデルを受信することと、第1の訓練サンプルを用いて該第1のモデルを訓練して第2のモデルを得ることであって、該第1の訓練サンプルは、サイト解析装置502に対応するサイトネットワーク内のネットワーク装置の第1の特徴データを含む、ことと、第1のモデルと第2のモデルとの差分データを得ることと、該差分データを第1の解析装置501に送信することと、を行うように構成され、
第1の解析装置501は、第1のモデルをサイト解析装置502に送信することと、サイト解析装置502によって送信される差分データを受信することと、差分データに基づいて第1のモデルを更新して第3のモデルを得ることと、を行うように構成されている。
サイト解析装置602及び第1の解析装置601を含み、
サイト解析装置602は、第1の解析装置601によって送信される第1のモデルを受信することと、第1の訓練サンプルを用いて該第1のモデルを訓練して第2のモデルを得ることであって、該第1の訓練サンプルは、サイト解析装置602に対応するサイトネットワーク内のネットワーク装置の第1の特徴データを含む、ことと、第1のモデルと第2のモデルとの差分データを得ることと、該差分データを第1の解析装置601に送信することと、を行うように構成され、
第1の解析装置601は、第1のモデルをサイト解析装置602に送信することと、サイト解析装置602によって送信される差分データを受信することと、差分データに基づいて第1のモデルを更新して第3のモデルを得ることと、を行うように構成されている。
ネットワーク装置603をさらに含み、
ネットワーク装置603は、サイト解析装置602によって送信される更新されたモデルを受信することであって、該更新されたモデルは第2のモデル又は第3のモデルを含む、ことと、更新されたモデルを用いることによりネットワーク装置603の予測されるべき特徴データに基づいて推論結果を出力することと、を行うように構成され、
サイト解析装置602は、更新されたモデルをネットワーク装置603に送信するようにさらに構成されているか、又は
ネットワーク装置603は、予測されるべき特徴データをサイト解析装置602に送信するように構成され、
サイト解析装置602は、更新されたモデルを用いることにより、ネットワーク装置603の予測されるべき特徴データに基づいて推論結果を出力するようにさらに構成されている。
サイト解析装置602は、更新されたモデルを用いることにより、ネットワーク装置603の予測されるべき特徴データに基づいて分類結果を予測するように具体的に構成されている。
第1の解析装置によって送信される第1のモデルを受信するように構成された受信ユニット701と、
第1の訓練サンプルを用いることにより第1のモデルを訓練して第2のモデルを得るように構成された訓練ユニット702であって、該第1の訓練サンプルは、サイト解析装置に対応するサイトネットワーク内のネットワーク装置の第1の特徴データを含む、訓練ユニット702と、
第1のモデルと第2のモデルとの差分データを得るように構成された取得ユニット703と、
差分データを第1の解析装置に送信して、第1の解析装置に、差分データに基づいて第1のモデルを更新して第3のモデルを得るように要求するように構成された送信ユニット704と、を含む。
第1の解析装置によって送信される第1のモデルを受信するように構成された受信ユニット801と、
第1の訓練サンプルを用いることにより第1のモデルを訓練して第2のモデルを得るように構成された訓練ユニット802であって、該第1の訓練サンプルは、サイト解析装置に対応するサイトネットワーク内のネットワーク装置の第1の特徴データを含む、訓練ユニット802と、
第1のモデルと第2のモデルとの差分データを得るように構成された取得ユニット803と、
差分データを第1の解析装置に送信して、第1の解析装置に、差分データに基づいて第1のモデルを更新して第3のモデルを得るように要求するように構成された送信ユニット804と、を含む。
第1のモデルが劣化しているかどうか判定するように構成された判定ユニット805であって、該判定ユニット805が第1のモデルは劣化していると判定した場合に、訓練ユニット802は、第1の訓練サンプルを用いることにより第1のモデルを訓練して第2のモデルを得る、判定ユニット805、をさらに含む。
判定ユニット805は、第1のモデルのパフォーマンス定量インジケータが目標閾値未満かどうか判定するようさらに構成され、
第1のモデルのパフォーマンス定量インジケータが目標閾値未満の場合、判定ユニット805は、第1のモデルが劣化していると判定するように具体的に構成されている。
取得ユニット803は、第2の特徴データに基づいて第1のモデルによって得られた第1の推論結果を得るようにさらに構成され、
取得ユニット803は、第1の推論結果及び第2の特徴データのプリセットラベルに基づいて、第1のモデルの精度を得て、該精度を第1のモデルのパフォーマンス定量インジケータとして用いるように具体的に構成されているか又は取得ユニット803は、第1の推論結果及び第2の特徴データのプリセットラベルに基づいて、第1のモデルの再現率を得て、該再現率を第1のモデルのパフォーマンス定量インジケータとして用いるように具体的に構成されている。
更新されたモデルを用いることにより、ネットワーク装置の予測されるべき特徴データに基づいて推論結果を出力するように構成された推論ユニット806であって、該更新されたモデルは第2のモデル又は第3のモデルを含む、推論ユニット806をさらに含む。
推論ユニット806は、更新されたモデルを用いることにより、ネットワーク装置の予測されるべき特徴データに基づいて分類結果を予測するように具体的に構成されている。
テストデータを用いることにより第2のモデルをテストするように構成されたテストユニット802であって、該テストデータはグラウンドトゥルースラベルを含む、テストユニット802と
劣化したデータを記憶して、サイト解析装置が該劣化したデータを用いることにより、サイト解析装置内のモデルを更新できるようにするように構成された記憶ユニット808であって、該劣化したデータはテストデータに属し、劣化したデータの推論ラベルはグラウンドトゥルースラベルと等しくなく、該推論ラベルはテストデータを用いることにより、第2のモデルをテストすることによりサイト解析装置によって得られる、記憶ユニット802と、
をさらに含む。
第1のモデルをサイト解析装置に送信するように構成された送信ユニット901であって、該第1のモデルは、ネットワーク装置の予測されるべき特徴データに基づいて推論結果を出力するように構成されている、送信ユニット901と、
第1のモデルと第2のモデルとの差分データを受信するように構成された受信ユニット902であって、該第2のモデルは、第1の訓練サンプルを用いることにより第1のモデルを訓練することによりサイト解析装置によって得られ、該第1の訓練サンプルは、サイト解析装置に対応するサイトネットワーク内のネットワーク装置の第1の特徴データを含む、受信ユニット902と、
差分データに基づいて第1のモデルを更新して第3のモデルを得るように構成された更新ユニット903と、を含む。
第1のモデルをサイト解析装置に送信するように構成された送信ユニット1001であって、該第1のモデルは、ネットワーク装置の予測されるべき特徴データに基づいて推論結果を出力するように構成されている、送信ユニット1001と、
第1のモデルと第2のモデルとの差分データを受信するように構成された受信ユニット1002であって、該第2のモデルは、第1の訓練サンプルを用いることにより第1のモデルを訓練することによりサイト解析装置によって得られ、該第1の訓練サンプルは、サイト解析装置に対応するサイトネットワーク内のネットワーク装置の第1の特徴データを含む、受信ユニット1002と、
差分データに基づいて第1のモデルを更新して第3のモデルを得るように構成された更新ユニット1003と、を含む。
受信ユニット1002は、L個のサイト解析装置によって送信される複数の差分データを受信するように具体的に構成され、Lは1よりも大きく且つN以下の整数であり、
更新ユニット1003は、複数の差分データに基づいて第1のモデルを更新して第3のモデルを得るように具体的に構成され、
送信ユニット1001は、第3のモデルをN個のサイト解析装置に送信するように具体的に構成されている。
複数の差分データの平均値を得るように構成された取得ユニット1004
をさらに含み、
更新ユニット1003は、複数の差分データの平均値を用いることにより第1のモデルを更新して第3のモデルを得るように具体的に構成されているか、又は
取得ユニット1004は、複数の差分データの加重平均値を得るように構成され、
更新ユニット1003は、加重平均値を用いることにより第1のモデルを更新して第3のモデルを得るように具体的に構成されている。
差分データを第1の解析装置に送信するL個のサイト解析装置に関する統計を収集するように構成された統計収集ユニット、
をさらに含み、
Nに対するLの比が閾値Kに達した場合、更新ユニット1003は、差分データに基づいて第1のモデルを更新して第3のモデルを得るように具体的に構成され、Kは0より大きく1以下である。
Claims (37)
- サイト解析装置及び第1の解析装置を含むモデル更新システムであって、
前記サイト解析装置は、前記第1の解析装置によって送信される第1のモデルを受信することと、第1の訓練サンプルを用いて該第1のモデルを訓練して第2のモデルを得ることであって、該第1の訓練サンプルは、前記サイト解析装置に対応するサイトネットワーク内のネットワーク装置の第1の特徴データを含む、ことと、前記第1のモデルと前記第2のモデルとの差分データを得ることと、該差分データを前記第1の解析装置に送信することと、を行うように構成され、
前記第1の解析装置は、前記第1のモデルを前記サイト解析装置に送信することと、前記サイト解析装置によって送信される前記差分データを受信することと、前記差分データに基づいて前記第1のモデルを更新して第3のモデルを得ることと、を行うように構成されている、モデル更新システム。 - 前記サイト解析装置は、前記第1のモデルが劣化しているかどうかを判定することと、前記サイト解析装置が前記第1のモデルは劣化していると判定した場合に、前記第1の訓練サンプルを用いることにより前記第1のモデルを訓練して前記第2のモデルを得ることと、を行うようにさらに構成されている、請求項1に記載のシステム。
- 前記システムは、N個のサイト解析装置を含み、Nは1より大きい整数であり、
前記第1の解析装置は、前記第1のモデルを前記N個のサイト解析装置に送信することと、L個のサイト解析装置によって送信される複数の差分データを受信することであって、Lは1より大きく且つN以下の整数であることと、前記複数の差分データに基づいて前記第1のモデルを更新して前記第3のモデルを得ることと、を行うように具体的に構成されている、請求項2に記載のシステム。 - 前記第1の解析装置は、前記差分データを前記第1の解析装置に送信するL個のサイト解析装置に関する統計を収集することと、Nに対するLの比が閾値Kに達した場合に、前記差分データに基づいて前記第1のモデルを更新して前記第3のモデルを得ることであって、Kは0より大きく、1以下である、こととを行うようにさらに構成されている、請求項3に記載のシステム。
- 前記システムは前記ネットワーク装置をさらに含み、
前記ネットワーク装置は、前記サイト解析装置によって送信される更新されたモデルを受信することであって、該更新されたモデルは前記第2のモデル又は前記第3のモデルを含む、ことと、前記更新されたモデルを用いることにより前記ネットワーク装置の予測されるべき特徴データに基づいて推論結果を出力することと、を行うように構成され、
前記サイト解析装置は、前記更新されたモデルを前記ネットワーク装置に送信するようにさらに構成されているか、又は
前記ネットワーク装置は、前記ネットワーク装置の予測されるべき特徴データを前記サイト解析装置に送信するように構成され、
前記サイト解析装置は、更新されたモデルを用いることにより、前記ネットワーク装置の予測されるべき特徴データに基づいて推論結果を出力するようにさらに構成されている、請求項1乃至4のいずれか一項に記載のシステム。 - 前記ネットワーク装置は、前記更新されたモデルを用いることにより、前記ネットワーク装置の予測されるべき特徴データに基づいて分類結果を予測するように具体的に構成されているか、又は
前記サイト解析装置は、前記更新されたモデルを用いることにより、前記ネットワーク装置の予測されるべき特徴データに基づいて分類結果を予測するように具体的に構成されている、請求項5に記載のシステム。 - 前記予測されるべき特徴データは、キーパフォーマンスインジケータ(KPI)特徴データを含み、該KPI特徴データは、KPI時系列の特徴データ又はKPIデータである、請求項6に記載のシステム。
- 前記差分データは勾配情報である、請求項1乃至4のいずれか一項に記載のシステム。
- モデル更新方法であって、
サイト解析装置により、第1の解析装置によって送信される第1のモデルを受信することと、
前記サイト解析装置により、第1の訓練サンプルを用いることにより前記第1のモデルを訓練して第2のモデルを得ることであって、該第1の訓練サンプルは、前記サイト解析装置に対応するサイトネットワーク内のネットワーク装置の第1の特徴データを含む、ことと、
前記サイト解析装置により、前記第1のモデルと前記第2のモデルとの差分データを得ることと、
前記サイト解析装置により、前記差分データを前記第1の解析装置に送信して、前記第1の解析装置に、前記差分データに基づいて前記第1のモデルを更新して第3のモデルを得るように要求することと、
を含む、方法。 - 前記方法は、
前記サイト解析装置により、前記第1のモデルが劣化しているかどうか判定することと、前記サイト解析装置が前記第1のモデルは劣化していると判定した場合に、前記サイト解析装置により、前記第1の訓練サンプルを用いることにより前記第1のモデルを訓練して第2のモデルを得ることを行うことと、をさらに含む、請求項9に記載の方法。 - 前記方法は、
前記サイト解析装置により、前記第1のモデルのパフォーマンス定量インジケータを得ることと、
前記サイト解析装置により、前記第1のモデルのパフォーマンス定量インジケータが目標閾値未満かどうか判定することと、
前記第1のモデルのパフォーマンス定量インジケータが前記目標閾値未満の場合、前記サイト解析装置により、前記第1のモデルは劣化していると判定することと、
をさらに含む、請求項10に記載の方法。 - 前記方法は
前記サイト解析装置により、前記ネットワーク装置の第2の特徴データを得ることと、
前記サイト解析装置により、前記第2の特徴データに基づいて前記第1のモデルによって得られた第1の推論結果を得ることと、
をさらに含み、
前記サイト解析装置により、前記第1のモデルのパフォーマンス定量インジケータを得ることは、
前記サイト解析装置により、前記第1の推論結果及び前記第2の特徴データのプリセットラベルに基づいて、前記第1のモデルの精度を得て、該精度を前記第1のモデルのパフォーマンス定量インジケータとして用いること又は前記サイト解析装置により、前記第1の推論結果及び前記第2の特徴データのプリセットラベルに基づいて、前記第1のモデルの再現率を得て、該再現率を前記第1のモデルのパフォーマンス定量インジケータとして用いること、
を含む、請求項11に記載の方法。 - 前記方法は、
前記サイト解析装置により、第1のデータ要求を前記ネットワーク装置に送信して、前記ネットワーク装置に第2の訓練サンプルを前記サイト解析装置に送信するよう要求することであって、該第2の訓練サンプルは、前記第2の特徴データ及び前記第1の推論結果を含み、前記第1の推論結果は、前記第2の特徴データに基づいて前記第1のモデルによって得られること、
をさらに含む、請求項12に記載の方法。 - 前記方法は、
前記サイト解析装置により、更新されたモデルを前記ネットワーク装置に送信することであって、該更新されたモデルは前記第2のモデル又は前記第3のモデルを含み、前記ネットワーク装置の予測されるべき特徴データに基づいて推論結果を出力するために用いられる、こと、
をさらに含む、請求項9乃至13のいずれか一項に記載の方法。 - 前記方法は、
前記サイト解析装置により、更新されたモデルを前記ネットワーク装置に送信することであって、該更新されたモデルは前記第2のモデル又は前記第3のモデルを含み、前記ネットワーク装置の予測されるべき特徴データに基づいて分類結果を予測するために用いられ、前記予測されるべき特徴データはキーパフォーマンスインジケータ(KPI)特徴データを含む、こと、
をさらに含む、請求項9乃至13のいずれか一項に記載の方法。 - 前記方法は、
前記サイト解析装置により、前記ネットワーク装置の予測されるべき特徴データを受信することと、
前記サイト解析装置により、更新されたモデルを用いることにより、前記ネットワーク装置の予測されるべき特徴データに基づいて推論結果を出力することであって、該更新されたモデルは前記第2のモデル又は前記第3のモデルを含む、こと、
をさらに含む、請求項9乃至13のいずれか一項に記載の方法。 - 前記予測されるべき特徴データはKPI特徴データを含み、
前記サイト解析装置により、更新されたモデルを用いることにより前記ネットワーク装置の予測されるべき特徴データに基づいて推論結果を出力することは、
前記サイト解析装置により、前記更新されたモデルを用いることにより、前記ネットワーク装置の予測されるべき特徴データに基づいて分類結果を予測すること、
を含む、請求項16に記載の方法。 - 前記KPI特徴データは、KPI時系列の特徴データ又はKPIデータである、請求項15に記載の方法。
- 前記方法は、
前記サイト解析装置により、テストデータを用いることにより前記第2のモデルをテストすることであって、該テストデータはグラウンドトゥルースラベルを含む、ことと、
前記サイト解析装置により、劣化したデータを記憶して、前記サイト解析装置が該劣化したデータを用いることにより、前記サイト解析装置内のモデルを更新できるようにすることであって、該劣化したデータは前記テストデータに属し、前記劣化したデータの推論ラベルは前記グラウンドトゥルースラベルと等しくなく、該推論ラベルは前記テストデータを用いることにより、前記第2のモデルをテストすることにより前記サイト解析装置によって得られる、ことと、
をさらに含む、請求項9乃至13のいずれか一項に記載の方法。 - モデル更新方法であって、
第1の解析装置により、第1のモデルをサイト解析装置に送信することであって、該第1のモデルは、ネットワーク装置の予測されるべき特徴データに基づいて推論結果を出力するように構成されている、ことと、
前記第1の解析装置により、前記第1のモデルと第2のモデルとの差分データを受信することであって、該第2のモデルは、第1の訓練サンプルを用いることにより前記第1のモデルを訓練することにより前記サイト解析装置によって得られ、該第1の訓練サンプルは、前記サイト解析装置に対応するサイトネットワーク内の前記ネットワーク装置の第1の特徴データを含む、ことと、
前記第1の解析装置により、前記差分データに基づいて前記第1のモデルを更新して第3のモデルを得ることと、
を含む、方法。 - 第1の解析装置により、第1のモデルをサイト解析装置に送信することは、
前記第1の解析装置により、前記第1のモデルをN個のサイト解析装置に送信することであって、Nは1より大きい整数である、ことと、
を含み、
前記第1の解析装置により、前記第1のモデルと第2のモデルとの差分データを受信することは、
前記第1の解析装置により、L個のサイト解析装置によって送信される複数の差分データを受信することであって、Lは1よりも大きく且つN以下の整数である、こと、
を含み、
前記第1の解析装置により、前記差分データに基づいて前記第1のモデルを更新して第3のモデルを得ることは、
前記第1の解析装置により、前記複数の差分データに基づいて前記第1のモデルを更新して前記第3のモデルを得ること、
を含み、
前記方法は、
前記第1の解析装置により、前記第3のモデルを前記N個のサイト解析装置に送信すること、
をさらに含む、請求項20に記載の方法。 - 前記方法は、
前記第1の解析装置により、前記複数の差分データの平均値を得ること、
をさらに含み、
前記第1の解析装置により、前記複数の差分データに基づいて前記第1のモデルを更新して前記第3のモデルを得ることは、
前記第1の解析装置により、前記複数の差分データの平均値を用いることにより前記第1のモデルを更新して前記第3のモデルを得ること、
を含む、請求項21に記載の方法。 - 前記方法は、
前記第1の解析装置により、前記複数の差分データの加重平均値を得ること、
をさらに含み、
前記第1の解析装置により、前記複数の差分データに基づいて前記第1のモデルを更新して前記第3のモデルを得ることは、
前記第1の解析装置により、前記加重平均値を用いることにより前記第1のモデルを更新して前記第3のモデルを得ること、
を含む、請求項21に記載の方法。 - 前記方法は、
前記第1の解析装置により、前記差分データを前記第1の解析装置に送信するL個のサイト解析装置に関する統計を収集することと、
Nに対するLの比が閾値Kに達した場合、前記第1の解析装置により、前記差分データに基づいて前記第1のモデルを更新して第3のモデルを得ることを行うことであって、Kは0より大きく1以下である、ことと、
をさらに含む、請求項20乃至23のいずれか一項に記載の方法。 - モデル更新装置であって、
第1の解析装置によって送信される第1のモデルを受信するように構成された受信ユニットと、
第1の訓練サンプルを用いることにより前記第1のモデルを訓練して第2のモデルを得るように構成された訓練ユニットであって、該第1の訓練サンプルは、サイト解析装置に対応するサイトネットワーク内のネットワーク装置の第1の特徴データを含む、訓練ユニットと、
前記第1のモデルと前記第2のモデルとの差分データを得るように構成された取得ユニットと、
前記差分データを前記第1の解析装置に送信して、前記第1の解析装置に、前記差分データに基づいて前記第1のモデルを更新して第3のモデルを得るように要求するように構成された送信ユニットと、
を含む、モデル更新装置。 - 前記モデル更新装置は、
前記第1のモデルが劣化しているかどうか判定するように構成された判定ユニットであって、該判定ユニットが前記第1のモデルは劣化していると判定した場合に、前記訓練ユニットは、前記第1の訓練サンプルを用いることにより前記第1のモデルを訓練して前記第2のモデルを得る、判定ユニット、をさらに含む、請求項25に記載のモデル更新装置。 - 前記取得ユニットは、前記第1のモデルのパフォーマンス定量インジケータを得るようにさらに構成され、
前記判定ユニットは、前記第1のモデルのパフォーマンス定量インジケータが目標閾値未満かどうか判定するようさらに構成され、
前記第1のモデルのパフォーマンス定量インジケータが前記目標閾値未満の場合、前記判定ユニットは、前記第1のモデルが劣化していると判定するように具体的に構成されている、請求項26に記載のモデル更新装置。 - 前記取得ユニットは、前記ネットワーク装置の第2の特徴データを得るようにさらに構成され、
前記取得ユニットは、前記第2の特徴データに基づいて前記第1のモデルによって得られた第1の推論結果を得るようにさらに構成され、
前記取得ユニットは、前記第1の推論結果及び前記第2の特徴データのプリセットラベルに基づいて、前記第1のモデルの精度を得て、該精度を前記第1のモデルのパフォーマンス定量インジケータとして用いるように具体的に構成されているか又は前記取得ユニットは、前記第1の推論結果及び前記第2の特徴データのプリセットラベルに基づいて、前記第1のモデルの再現率を得て、該再現率を前記第1のモデルのパフォーマンス定量インジケータとして用いるように具体的に構成されている、請求項27に記載のモデル更新装置。 - 前記送信ユニットは、更新されたモデルを前記ネットワーク装置に送信するようにさらに構成され、該更新されたモデルは前記第2のモデル又は前記第3のモデルを含み、前記ネットワーク装置の予測されるべき特徴データに基づいて分類結果を予測するように構成され、前記予測されるべき特徴結果はキーパフォーマンスインジケータ(KPI)特徴データを含む、請求項25乃至28のいずれか一項に記載のモデル更新装置。
- 前記受信ユニットは、前記ネットワーク装置の予測されるべき特徴データを受信するようにさらに構成され、
前記モデル更新装置は、
更新されたモデルを用いることにより、前記ネットワーク装置の予測されるべき特徴データに基づいて推論結果を出力するように構成された推論ユニットであって、該更新されたモデルは前記第2のモデル又は前記第3のモデルを含む、推論ユニット
をさらに含む、請求項25乃至28のいずれか一項に記載のモデル更新装置。 - 前記モデル更新装置は、
テストデータを用いることにより前記第2のモデルをテストするように構成されたテストユニットであって、該テストデータはグラウンドトゥルースラベルを含む、テストユニットと
劣化したデータを記憶して、前記サイト解析装置が該劣化したデータを用いることにより、前記サイト解析装置内のモデルを更新できるようにするように構成された記憶ユニットであって、該劣化したデータは前記テストデータに属し、前記劣化したデータの推論ラベルは前記グラウンドトゥルースラベルと等しくなく、該推論ラベルは前記テストデータを用いることにより、前記第2のモデルをテストすることにより前記サイト解析装置によって得られる、記憶ユニットと、
をさらに含む、請求項25乃至28のいずれか一項に記載のモデル更新装置。 - モデル更新装置であって、
第1のモデルをサイト解析装置に送信するように構成された送信ユニットであって、該第1のモデルは、ネットワーク装置の予測されるべき特徴データに基づいて推論結果を出力するように構成されている、送信ユニットと、
前記第1のモデルと第2のモデルとの差分データを受信するように構成された受信ユニットであって、該第2のモデルは、第1の訓練サンプルを用いることにより前記第1のモデルを訓練することにより前記サイト解析装置によって得られ、該第1の訓練サンプルは、前記サイト解析装置に対応するサイトネットワーク内の前記ネットワーク装置の第1の特徴データを含む、受信ユニットと、
前記差分データに基づいて前記第1のモデルを更新して第3のモデルを得るように構成された更新ユニットと、
を含む、モデル更新装置。 - 前記送信ユニットは、前記第1のモデルをN個のサイト解析装置に送信するように具体的に構成され、Nは1より大きい整数であり、
前記受信ユニットは、L個のサイト解析装置によって送信される複数の差分データを受信するように具体的に構成され、Lは1よりも大きく且つN以下の整数であり、
前記更新ユニットは、前記複数の差分データに基づいて前記第1のモデルを更新して前記第3のモデルを得るように具体的に構成され、
前記送信ユニットは、前記第3のモデルを前記N個のサイト解析装置に送信するようにさらに構成されている、請求項32に記載のモデル更新装置。 - 前記モデル更新装置は取得ユニットをさらに含み、
前記取得ユニットは、前記複数の差分データの平均値を得るように構成され、
前記更新ユニットは、前記複数の差分データの平均値を用いることにより前記第1のモデルを更新して前記第3のモデルを得るように具体的に構成されているか、又は
前記取得ユニットは、前記複数の差分データの加重平均値を得るように構成され、
前記更新ユニットは、前記加重平均値を用いることにより前記第1のモデルを更新して前記第3のモデルを得るように具体的に構成されている、請求項33に記載のモデル更新装置。 - 前記モデル更新装置は、
前記差分データを第1の解析装置に送信するL個のサイト解析装置に関する統計を収集するように構成された統計収集ユニット、
をさらに含み、
Nに対するLの比が閾値Kに達した場合、前記更新ユニットは、前記差分データに基づいて前記第1のモデルを更新して第3のモデルを得るように具体的に構成され、Kは0より大きく1以下である、請求項32乃至34のいずれか一項に記載のモデル更新装置。 - メモリ及びプロセッサを含むモデル更新装置であって、
前記メモリはプログラムを記憶するように構成され、
前記プロセッサは、前記メモリ内の前記プログラムを実行して、請求項9乃至19のいずれか一項に記載の方法を行うか又は請求項20乃至24のいずれか一項に記載の方法を行うように構成されている、モデル更新装置。 - コンピュータ記憶媒体であって、当該コンピュータ記憶媒体は命令を記憶し、該命令がコンピュータ上で実行された場合、該コンピュータは、請求項9乃至19のいずれか一項に記載の方法を行うことができるか又は前記コンピュータは、請求項20乃至24のいずれか一項に記載の方法を行うことができる、コンピュータ記憶媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911209129.2A CN112884159A (zh) | 2019-11-30 | 2019-11-30 | 模型更新系统、模型更新方法及相关设备 |
CN201911209129.2 | 2019-11-30 | ||
PCT/CN2020/119859 WO2021103823A1 (zh) | 2019-11-30 | 2020-10-07 | 模型更新系统、模型更新方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023504103A JP2023504103A (ja) | 2023-02-01 |
JP7401677B2 true JP7401677B2 (ja) | 2023-12-19 |
Family
ID=76039675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022531508A Active JP7401677B2 (ja) | 2019-11-30 | 2020-10-07 | モデル更新システム、モデル更新方法及び関連装置 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220284352A1 (ja) |
EP (1) | EP4050528A4 (ja) |
JP (1) | JP7401677B2 (ja) |
KR (1) | KR20220098011A (ja) |
CN (1) | CN112884159A (ja) |
WO (1) | WO2021103823A1 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11742901B2 (en) * | 2020-07-27 | 2023-08-29 | Electronics And Telecommunications Research Institute | Deep learning based beamforming method and apparatus |
CN115878991A (zh) * | 2021-09-28 | 2023-03-31 | 华为技术有限公司 | 一种信任模型的训练方法及装置 |
CN113642260B (zh) * | 2021-10-14 | 2021-12-24 | 江苏永佳电子材料有限公司 | 一种热封盖带的性能评估方法及系统 |
WO2024031246A1 (en) * | 2022-08-08 | 2024-02-15 | Nec Corporation | Methods for communication |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010020444A (ja) | 2008-07-09 | 2010-01-28 | Sony Corp | 学習装置、学習方法、およびプログラム |
CN107992906A (zh) | 2018-01-02 | 2018-05-04 | 联想(北京)有限公司 | 一种模型处理方法、系统、终端设备及服务器 |
WO2019090954A1 (zh) | 2017-11-07 | 2019-05-16 | 华为技术有限公司 | 一种预测方法及终端、服务器 |
WO2019206196A1 (zh) | 2018-04-27 | 2019-10-31 | 华为技术有限公司 | 一种模型更新方法、装置及系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9053436B2 (en) * | 2013-03-13 | 2015-06-09 | Dstillery, Inc. | Methods and system for providing simultaneous multi-task ensemble learning |
CN106909529B (zh) * | 2015-12-22 | 2020-12-01 | 阿里巴巴集团控股有限公司 | 一种机器学习工具中间件及机器学习训练方法 |
CN107330516B (zh) * | 2016-04-29 | 2021-06-25 | 腾讯科技(深圳)有限公司 | 模型参数训练方法、装置及系统 |
CN106250988B (zh) * | 2016-07-28 | 2018-09-11 | 武汉理工大学 | 基于样本特性的相关向量回归增量学习算法及系统 |
CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN109840530A (zh) * | 2017-11-24 | 2019-06-04 | 华为技术有限公司 | 训练多标签分类模型的方法和装置 |
CN109993300B (zh) * | 2017-12-29 | 2021-01-29 | 华为技术有限公司 | 一种神经网络模型的训练方法及装置 |
CN109905268B (zh) * | 2018-01-11 | 2020-11-06 | 华为技术有限公司 | 网络运维的方法及装置 |
CN110139325B (zh) * | 2018-02-09 | 2021-08-13 | 华为技术有限公司 | 一种网络参数调优方法及装置 |
CN109902832B (zh) * | 2018-11-28 | 2023-11-17 | 华为技术有限公司 | 机器学习模型的训练方法、异常预测方法及相关装置 |
-
2019
- 2019-11-30 CN CN201911209129.2A patent/CN112884159A/zh active Pending
-
2020
- 2020-10-07 EP EP20892708.7A patent/EP4050528A4/en active Pending
- 2020-10-07 KR KR1020227020109A patent/KR20220098011A/ko unknown
- 2020-10-07 WO PCT/CN2020/119859 patent/WO2021103823A1/zh unknown
- 2020-10-07 JP JP2022531508A patent/JP7401677B2/ja active Active
-
2022
- 2022-05-27 US US17/826,314 patent/US20220284352A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010020444A (ja) | 2008-07-09 | 2010-01-28 | Sony Corp | 学習装置、学習方法、およびプログラム |
WO2019090954A1 (zh) | 2017-11-07 | 2019-05-16 | 华为技术有限公司 | 一种预测方法及终端、服务器 |
CN107992906A (zh) | 2018-01-02 | 2018-05-04 | 联想(北京)有限公司 | 一种模型处理方法、系统、终端设备及服务器 |
WO2019206196A1 (zh) | 2018-04-27 | 2019-10-31 | 华为技术有限公司 | 一种模型更新方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
KR20220098011A (ko) | 2022-07-08 |
US20220284352A1 (en) | 2022-09-08 |
WO2021103823A1 (zh) | 2021-06-03 |
CN112884159A (zh) | 2021-06-01 |
EP4050528A1 (en) | 2022-08-31 |
EP4050528A4 (en) | 2022-12-28 |
JP2023504103A (ja) | 2023-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7401677B2 (ja) | モデル更新システム、モデル更新方法及び関連装置 | |
WO2021052394A1 (zh) | 模型训练方法、装置及系统 | |
WO2020077672A1 (zh) | 一种服务质量评估模型的训练方法及装置 | |
EP4020315A1 (en) | Method, apparatus and system for determining label | |
CN111435463A (zh) | 数据处理方法及相关设备、系统 | |
CN109586950B (zh) | 网络场景识别方法、网络管理设备、系统及存储介质 | |
Cao et al. | Load prediction for data centers based on database service | |
CN116881744B (zh) | 一种基于物联网的运维数据分发方法、装置、设备及介质 | |
CN114666224A (zh) | 业务资源容量动态分配方法、装置、设备及存储介质 | |
JP7422272B2 (ja) | 産業オートメーション制御システムまたは電力システムからのデータの保存を促進するための方法および装置 | |
Clemente et al. | Traffic forecast in mobile networks: Classification system using machine learning | |
KR20200126766A (ko) | Ict 인프라의 운용 관리 장치 및 방법 | |
CN113891342B (zh) | 基站巡检方法、装置、电子设备及存储介质 | |
Celik et al. | Sequential Monte Carlo-based fidelity selection in dynamic-data-driven adaptive multi-scale simulations | |
CN115883424A (zh) | 一种高速骨干网间流量数据预测方法及系统 | |
CN115409115A (zh) | 基于用户日志的时序聚类异常终端识别方法 | |
CN114757448A (zh) | 一种基于数据空间模型的制造环节间最优价值链构建方法 | |
CN114915563A (zh) | 一种网络流量预测方法和系统 | |
CN114429297A (zh) | 项目的风险监控方法、装置、计算机设备及存储介质 | |
Chakor et al. | Proposing a Layer to Integrate the Sub-classification of Monitoring Operations Based on AI and Big Data to Improve Efficiency of Information Technology Supervision | |
Wang et al. | Communication network time series prediction algorithm based on big data method | |
CN115484624A (zh) | 数据处理方法、架构、电子设备及存储介质 | |
Sharma et al. | The fundamentals and strategies of maintenance, repair, and overhaul (MRO) in Industry 4.0 | |
Jehangiri et al. | Distributed predictive performance anomaly detection for virtualised platforms | |
Jerome et al. | Anomaly detection and classification using a metric for determining the significance of failures: Case study: mobile network management data from LTE network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220705 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220705 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230704 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230704 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230928 |
|
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: 20231107 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231207 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7401677 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |