Some content of this application is unavailable at the moment.
If this situation persist, please contact us atFeedback&Contact
1. (WO2019033636) METHOD OF USING MINIMIZED-LOSS LEARNING TO CLASSIFY IMBALANCED SAMPLES
Latest bibliographic data on file with the International BureauSubmit observation

Pub. No.: WO/2019/033636 International Application No.: PCT/CN2017/115848
Publication Date: 21.02.2019 International Filing Date: 13.12.2017
IPC:
G06K 9/62 (2006.01)
G PHYSICS
06
COMPUTING; CALCULATING; COUNTING
K
RECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
9
Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
62
Methods or arrangements for recognition using electronic means
Applicants:
哈尔滨工业大学深圳研究生院 HARBIN INSTITUTE OF TECHNOLOGY SHENZHEN GRADUATE SCHOOL [CN/CN]; 中国广东省深圳市 南山区桃源街道深圳大学城哈工大校区 HIT Campus of University Town of Shenzhen, Taoyuan Street, Nanshan District Shenzhen, Guangdong 518000, CN
Inventors:
张春慨 ZHANG, Chunkai; CN
Agent:
深圳市添源知识产权代理事务所(普通合伙) SHENZHEN TIANYUAN INTELLECTUAL PROPERTY AGENCY (GENERAL PARTNERSHIP); 中国广东省深圳市 福田区沙头街道车公庙深南大道南侧中国有色大厦823、824 Room 823-824, Zhongguo Youse Building the South of Shennan Road, Cheongmiao, Shatou Street, Futian District Shenzhen, Guangdong 518000, CN
Priority Data:
201710702075.816.08.2017CN
Title (EN) METHOD OF USING MINIMIZED-LOSS LEARNING TO CLASSIFY IMBALANCED SAMPLES
(FR) PROCÉDÉ D'UTILISATION D'APPRENTISSAGE À PERTE MINIMALE AFIN DE CLASSER DES ÉCHANTILLONS DÉSÉQUILIBRÉS
(ZH) 基于最小化损失学习的不平衡样本分类方法
Abstract:
(EN) A method of using minimized-loss learning to classify imbalanced samples. A network in a current state is used to perform classification on all of training sets, and then a loss is obtained and optimized to achieve a subsequent improved state. The invention transforms an evaluation process in training, and does not use a specific classification result of a neural network in the current state, and instead optimizes an expected value of the loss obtained by using a current output probability. In this way, a direct relationship among an output, a parameter, and a target is established, and the expected value is optimized to increase the probability that the target has a greater value. The method uses evaluation criteria of classification of imbalanced samples to construct a target function applied to a training set and related to an overall F1 value, and applies an F1 value maximizing algorithm to an artificial neural network (ANN) model.
(FR) La présente invention concerne un procédé d'utilisation d'apprentissage à perte minimale afin de classer des échantillons déséquilibrés. Un réseau dans un état actuel est utilisé pour réaliser une classification sur tous les ensembles de formation, puis une perte est obtenue et optimisée pour atteindre un état amélioré ultérieur. L'invention transforme un processus d'évaluation en formation, et n'utilise pas un résultat de classification spécifique d'un réseau neuronal dans l'état actuel, et optimise plutôt une valeur attendue de la perte obtenue en utilisant une probabilité de sortie actuelle. De cette manière, une relation directe entre une sortie, un paramètre, et une cible est établie, et la valeur attendue est optimisée pour augmenter la probabilité que la cible ait une valeur supérieure. Le procédé utilise des critères d'évaluation de classification d'échantillons déséquilibrés pour construire une fonction cible appliquée à un ensemble de formation et associé à une valeur F1 globale, et applique un algorithme de maximisation de valeur F1 à un modèle de réseau neuronal artificiel (ANN).
(ZH) 一种基于最小化损失学习的不平衡样本分类方法,采取先使用当前状态的网络对所有训练集进行分类,然后求解损失并对此损失进行优化以达到下一更优状态这一思想,将训练中的评价过程进行变换,不再使用当前状态下神经网络的具体分类结果,而是采用当前输出的概率求解损失的期望值,并对期望值进行优化,这样既可以建立输出和参数与目标间的直接联系,也可以通过优化期望值来增加目标获取更高值的概率。该方法利用不平衡样本分类的评价标准构建了应用于训练集的关于整体F1值的目标函数,再将最大化F1值算法应用到了人工神经网络(ANN)模型中。
front page image
Designated States: AE, AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BN, BR, BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE, DJ, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IR, IS, JO, JP, KE, KG, KH, KN, KP, KR, KW, KZ, LA, LC, LK, LR, LS, LU, LY, MA, MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG, NI, NO, NZ, OM, PA, PE, PG, PH, PL, PT, QA, RO, RS, RU, RW, SA, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA, ZM, ZW
African Regional Intellectual Property Organization (ARIPO) (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, ST, SZ, TZ, UG, ZM, ZW)
Eurasian Patent Organization (AM, AZ, BY, KG, KZ, RU, TJ, TM)
European Patent Office (AL, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR, HU, IE, IS, IT, LT, LU, LV, MC, MK, MT, NL, NO, PL, PT, RO, RS, SE, SI, SK, SM, TR)
African Intellectual Property Organization (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, KM, ML, MR, NE, SN, TD, TG)
Publication Language: Chinese (ZH)
Filing Language: Chinese (ZH)