Some content of this application is unavailable at the moment.
If this situation persist, please contact us atFeedback&Contact
1. (WO2019066718) SELF-ASSESSING DEEP REPRESENTATIONAL UNITS
Latest bibliographic data on file with the International Bureau    Submit observation

Pub. No.: WO/2019/066718 International Application No.: PCT/SG2017/050486
Publication Date: 04.04.2019 International Filing Date: 28.09.2017
IPC:
G06N 99/00 (2010.01) ,G06N 3/08 (2006.01) ,G06F 15/18 (2006.01)
G PHYSICS
06
COMPUTING; CALCULATING; COUNTING
N
COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
99
Subject matter not provided for in other groups of this subclass
G PHYSICS
06
COMPUTING; CALCULATING; COUNTING
N
COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3
Computer systems based on biological models
02
using neural network models
08
Learning methods
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
Applicants:
AGENCY FOR SCIENCE, TECHNOLOGY AND RESEARCH [SG/SG]; 1 Fusionopolis Way, #20-10 Connexis North Tower Singapore 138632, SG
Inventors:
RAMASAMY, Savitha; SG
KANAGASABAI, Rajaraman; SG
Agent:
VIERING, JENTSCHURA & PARTNER LLP; P.O. Box 1088 Rochor Post Office, Rochor Road Singapore 911833, SG
Priority Data:
Title (EN) SELF-ASSESSING DEEP REPRESENTATIONAL UNITS
(FR) UNITÉS DE REPRÉSENTATION PROFONDE À AUTO-ÉVALUATION
Abstract:
(EN) A method, a computer-readable medium, and an apparatus for feature learning are provided. The apparatus may receive a data sample as an input to a feature learning model. The apparatus may calculate a reconstruction error based on the data sample and a plurality of features of the feature learning model. The apparatus may determine whether the reconstruction error satisfies a first threshold. The apparatus may add a feature into the feature learning model to represent the data sample if the data sample satisfies the first threshold. The apparatus may determine whether the reconstruction error satisfies a second threshold. The apparatus may ignore the data sample if the reconstruction error satisfies the second threshold. The apparatus may update the weights associated with the plurality of features of the feature learning model if the reconstruction error satisfies neither the first threshold nor the second threshold.
(FR) L'invention concerne un procédé, un support lisible par ordinateur et un appareil d'apprentissage de caractéristiques. L'appareil peut recevoir un échantillon de données sous la forme d'une entrée pour un modèle d'apprentissage de caractéristiques. L'appareil peut calculer une erreur de reconstruction en fonction de l'échantillon de données et d'une pluralité de caractéristiques du modèle d'apprentissage de caractéristiques. L'appareil peut déterminer si l'erreur de reconstruction respecte un premier seuil. L'appareil peut ajouter une caractéristique dans le modèle d'apprentissage de caractéristiques pour représenter l'échantillon de données si l'échantillon de données respecte le premier seuil. L'appareil peut déterminer si l'erreur de reconstruction respecte un deuxième seuil. L'appareil peut ignorer l'échantillon de données si l'erreur de reconstruction respecte un deuxième seuil. L'appareil peut mettre à jour les pondérations associées à la pluralité de caractéristiques du modèle d'apprentissage de caractéristiques si l'erreur de reconstruction ne respecte ni le premier seuil ni le deuxième seuil.
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)