Some content of this application is unavailable at the moment.
If this situation persist, please contact us atFeedback&Contact
1. (WO2019045759) MACHINE LEARNING METHOD FOR GENERATING LABELS FOR FUZZY OUTCOMES
Latest bibliographic data on file with the International Bureau    Submit observation

Pub. No.: WO/2019/045759 International Application No.: PCT/US2017/054215
Publication Date: 07.03.2019 International Filing Date: 29.09.2017
Chapter 2 Demand Filed: 26.03.2018
IPC:
G06K 9/62 (2006.01) ,G06F 15/00 (2006.01) ,G06F 15/18 (2006.01) ,G06K 9/00 (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
G PHYSICS
06
COMPUTING; CALCULATING; COUNTING
F
ELECTRIC DIGITAL DATA PROCESSING
15
Digital computers in general; Data processing equipment in general
G PHYSICS
06
COMPUTING; CALCULATING; COUNTING
F
ELECTRIC DIGITAL DATA PROCESSING
15
Digital computers in general; Data processing equipment in general
18
in which a programme is changed according to experience gained by the computer itself during a complete run; Learning machines
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
Applicants:
GOOGLE LLC [US/US]; 1600 Amphitheatre Parkway Mountain View, CA 94043, US
Inventors:
CHEN, Kai; US
ZHANG, Kun; US
MARCUS, Jacob; US
OREN, Eyal; US
YEE, Hector; US
HARDT, Michaela; US
WILSON, James; US
RAJKOMAR, Alvin; US
LU, Jian; US
Agent:
FAIRHALL, Thomas, A.; US
Priority Data:
62/552,01130.08.2017US
Title (EN) MACHINE LEARNING METHOD FOR GENERATING LABELS FOR FUZZY OUTCOMES
(FR) PROCÉDÉ D'APPRENTISSAGE AUTOMATIQUE PERMETTANT DE GÉNÉRER DES ÉTIQUETTES POUR DES RÉSULTATS FLOUS
Abstract:
(EN) A machine learning method is described for generating labels for members of a training set where the labels are not directly available in the training set data. In a first stage of the method an iterative process is used to gradually build up a list of features ("partition features" herein) which are conceptually related to the class label using a human-in-the loop (expert). In a second part of the process we generate labels for the members of the training set, build up a boosting model using the labeling to come up with additional partition features, score the labeling of the training set members from the boosting model, and then with the human-in-the-loop evaluate a labels assigned to a small subset of the members depending on their score. The labels assigned to some or all of those members in the subset may be flipped depending on the evaluation. The final outcome of the process is an interpretable model that explains how the labels were generated and a labeled set of training data.
(FR) L'invention concerne un procédé d'apprentissage automatique permettant de générer des étiquettes pour les éléments d'un ensemble d'apprentissage, les étiquettes n'étant pas directement disponibles dans les données d'ensemble d'apprentissage. Dans une première étape du procédé, un processus itératif est utilisé pour construire progressivement une liste de caractéristiques (« caractéristiques de partition ») qui sont associées conceptuellement à l'étiquette de classe à l'aide d'une intervention humaine (expert). Dans une seconde partie du procédé, des étiquettes sont générées pour les éléments de l'ensemble d'apprentissage, un modèle d'amplification est établi à l'aide de l’étiquetage afin d’élaborer des caractéristiques de partition supplémentaires, l'étiquetage des éléments de l'ensemble d'apprentissage est noté à partir du modèle d'amplification, puis les étiquettes attribuées à un petit sous-ensemble des éléments en fonction de leur score sont évaluées à l’aide d’une intervention humaine. Les étiquettes attribuées à une partie ou à la totalité de ces éléments du sous-ensemble peuvent être basculées en fonction de l'évaluation. Le résultat final du procédé est un modèle interprétable expliquant de quelle manière les étiquettes ont été générées ainsi qu'un ensemble étiqueté de données d'apprentissage.
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 Office (AM, AZ, BY, KG, KZ, RU, TJ, TM)
European Patent Office (EPO) (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: English (EN)
Filing Language: English (EN)