RU2020127200A - Способ обратимой коррекции систем искусственного интеллекта - Google Patents
Способ обратимой коррекции систем искусственного интеллекта Download PDFInfo
- Publication number
- RU2020127200A RU2020127200A RU2020127200A RU2020127200A RU2020127200A RU 2020127200 A RU2020127200 A RU 2020127200A RU 2020127200 A RU2020127200 A RU 2020127200A RU 2020127200 A RU2020127200 A RU 2020127200A RU 2020127200 A RU2020127200 A RU 2020127200A
- Authority
- RU
- Russia
- Prior art keywords
- elementary
- situations
- corrector
- correctors
- dispatcher
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Claims (11)
- Способ обратимой коррекции систем искусственного интеллекта, при котором:
- система коррекции организована как совокупность элементарных корректоров, управляемая диспетчером;
- каждый элементарный корректор включает бинарный классификатор, отделяющий ситуации с высоким риском ошибки;
- для каждого элементарного корректора задают модифицированное правило решения корректируемой системы искусственного интеллекта в ситуации с высоким риском ошибки, диагностируемой классификатором данного корректора;
- бинарные классификаторы в составе элементарных корректоров организуют как деревья простых классификаторов допускающих неитеративное обучение;
- на вход корректору подают полный вектор сигналов, составленный из входных, внутренних и выходных сигналов корректируемой системы искусственного интеллекта, а также, при наличии, любых других доступных атрибутов ситуации,
- при этом диспетчер распределяет ситуации между элементарными корректорами, а решающее правило, на основании которого диспетчер распределяет ситуации между элементарными корректорами, формируют в результате кластерного анализа ситуаций с диагностированными ошибками;
- кластерный анализ ситуаций с диагностированными ошибками производят с использованием потокового алгоритма,
- при этом каждый элементарный корректор обрабатывает ситуации из одного кластера;
- при получении сигнала об обнаружении новых ошибок диспетчер модифицирует определение кластеров согласно выбранному потоковому алгоритму и соответственно модифицирует решающее правило, на основании которого распределяются ситуации между элементарными корректорами;
- после получения сигнала об обнаружении новых ошибок диспетчер выбирает элементарный корректор, который должен обрабатывать ситуацию и классификатор этого корректора доучивается по неитеративному явному правилу.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2020127200A RU2020127200A (ru) | 2020-08-13 | 2020-08-13 | Способ обратимой коррекции систем искусственного интеллекта |
PCT/RU2020/000482 WO2022035344A1 (ru) | 2020-08-13 | 2020-09-14 | Способ обратимой коррекции систем искусственного интеллекта |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2020127200A RU2020127200A (ru) | 2020-08-13 | 2020-08-13 | Способ обратимой коррекции систем искусственного интеллекта |
Publications (2)
Publication Number | Publication Date |
---|---|
RU2020127200A true RU2020127200A (ru) | 2022-02-14 |
RU2020127200A3 RU2020127200A3 (ru) | 2022-02-14 |
Family
ID=80248086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2020127200A RU2020127200A (ru) | 2020-08-13 | 2020-08-13 | Способ обратимой коррекции систем искусственного интеллекта |
Country Status (2)
Country | Link |
---|---|
RU (1) | RU2020127200A (ru) |
WO (1) | WO2022035344A1 (ru) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2462752C1 (ru) * | 2011-07-18 | 2012-09-27 | Открытое акционерное общество "Лётно-исследовательский институт имени М.М. Громова" | Динамическая экспертная система |
CN103489009B (zh) * | 2013-09-17 | 2016-08-17 | 北方信息控制集团有限公司 | 基于自适应修正神经网络的模式识别方法 |
WO2018235050A1 (en) * | 2017-06-22 | 2018-12-27 | Telefonaktiebolaget Lm Ericsson (Publ) | NEURAL NETWORKS FOR RECOVERY CORRECTION DECODING OF ERRORS |
US10324467B1 (en) * | 2017-12-29 | 2019-06-18 | Apex Artificial Intelligence Industries, Inc. | Controller systems and methods of limiting the operation of neural networks to be within one or more conditions |
WO2019136449A2 (en) * | 2018-01-08 | 2019-07-11 | Darya Frolova | Error correction in convolutional neural networks |
-
2020
- 2020-08-13 RU RU2020127200A patent/RU2020127200A/ru unknown
- 2020-09-14 WO PCT/RU2020/000482 patent/WO2022035344A1/ru active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2022035344A1 (ru) | 2022-02-17 |
RU2020127200A3 (ru) | 2022-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009625B (zh) | 人工神经网络定点化后的微调方法和装置 | |
Kang et al. | Forget-free continual learning with winning subnetworks | |
US20200012896A1 (en) | Apparatus and method of data generation for object detection based on generative adversarial networks | |
Shetty | Application of convolutional neural network for image classification on Pascal VOC challenge 2012 dataset | |
US9406017B2 (en) | System and method for addressing overfitting in a neural network | |
Liu et al. | RB-Net: Training highly accurate and efficient binary neural networks with reshaped point-wise convolution and balanced activation | |
US20160342887A1 (en) | Scalable neural network system | |
CN111767860A (zh) | 一种通过卷积神经网络实现图像识别的方法及终端 | |
EP4115345A1 (en) | Adaptive quantization for execution of machine learning models | |
RU2020127200A (ru) | Способ обратимой коррекции систем искусственного интеллекта | |
Yang et al. | Dbq-ssd: Dynamic ball query for efficient 3d object detection | |
CN115941112B (zh) | 一种便携式隐蔽通信方法、计算机设备及存储介质 | |
CN115543763A (zh) | 基于生成对抗网络的测试用例生成方法及装置 | |
CN116109509A (zh) | 基于逐像素伽马矫正的实时低光照图像增强方法及系统 | |
CN112836820A (zh) | 用于图像分类任务的深度卷积网络训方法、装置及系统 | |
CN107154027B (zh) | 一种畸变图像复原的补偿方法及装置 | |
EP3761263A1 (en) | Image data pre-processing for neural networks | |
CN113330459A (zh) | 用于训练以及用于运行有多任务能力的人工神经网络的方法、有多任务能力的人工神经网络和设备 | |
KR102490503B1 (ko) | 순환형 적대적 생성 신경망을 이용한 이미지 처리 장치 및 방법 | |
Banerjee | Meta-drn: Meta-learning for 1-shot image segmentation | |
Razinkov et al. | ALFA: agglomerative late fusion algorithm for object detection | |
KR102101481B1 (ko) | 인공지능 기반의 휴대용 보안영상 학습장치 및 방법 | |
RU2022126831A (ru) | Способ распознавания изображений с обратимой коррекцией ошибок и интеллектуальная система для его реализации | |
CN113888498A (zh) | 图像异常检测方法、装置、电子设备及存储介质 | |
CN113505751A (zh) | 一种基于差异图卷积神经网络的人体骨骼动作识别方法 |