Processing

Please wait...

Settings

Settings

Goto Application

1. WO2020193510 - TRAINING FOR ARTIFICIAL NEURAL NETWORKS WITH BETTER UTILIZATION OF LEARNING DATA RECORDS

Publication Number WO/2020/193510
Publication Date 01.10.2020
International Application No. PCT/EP2020/058079
International Filing Date 24.03.2020
IPC
G06N 3/08 2006.01
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
08Learning methods
G06N 3/04 2006.01
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
04Architecture, e.g. interconnection topology
CPC
G06N 3/0454
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
04Architectures, e.g. interconnection topology
0454using a combination of multiple neural nets
G06N 3/08
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
08Learning methods
Applicants
  • ROBERT BOSCH GMBH [DE]/[DE]
Inventors
  • LOU, Zhongyu
  • NGUYEN, Duc Tam
Priority Data
10 2019 204 139.626.03.2019DE
Publication Language German (DE)
Filing Language German (DE)
Designated States
Title
(DE) TRAINING FÜR KÜNSTLICHE NEURONALE NETZWERKE MIT BESSERER AUSNUTZUNG DER LERN-DATENSÄTZE
(EN) TRAINING FOR ARTIFICIAL NEURAL NETWORKS WITH BETTER UTILIZATION OF LEARNING DATA RECORDS
(FR) ENTRAÎNEMENT POUR RÉSEAUX NEURONAUX ARTIFICIELS AVEC UNE MEILLEURE UTILISATION DES JEUX DE DONNÉES D'APPRENTISSAGE
Abstract
(DE)
Verfahren (100) zum Trainieren eines künstlichen neuronalen Netzwerks, KNN (1), mit Lern-Datensätzen (2), die jeweils ein Sample (11a) und ein zugehöriges Label (12a) umfassen, wobei jedes Sample (11a) Werte einer oder mehrerer Eingangsgrößen (11) des KNN (1) repräsentiert und das zugehörige Label (12a) Werte einer oder mehrerer Ausgangsgrößen (12) des KNN (1) repräsentiert, mit den Schritten: - das KNN (1) wird anhand der in den Lern-Datensätzen (2) enthaltenen Samples (11a) unüberwacht trainiert (110); - anhand mindestens eines Gütekriteriums (3) für die Verlässlichkeit und/oder Qualität der Zuordnung von Labels (12a) zu Samples (11a) in den Lern-Datensätzen (2) wird eine Gewichtung (2a) der Lern-Datensätze (2) ermittelt (120); - unter Berücksichtigung dieser Gewichtung (2a) wird das KNN (1) anhand der in den Lern-Datensätzen (2) enthaltenen Samples (11a) und zugehörigen Labels (12a) überwacht trainiert (130). Trainiertes KNN (1*) und System (50) mit diesem KNN (1*). Zugehöriges Computerprogramm.
(EN)
A method (100) for training an artificial neural network, ANN (1), with learning data records (2) that each comprise a sample (11a) and an associated label (12a), wherein each sample (11a) represents values of one or more input variables (11) of the ANN (1) and the associated label (12a) represents values of one or more output variables (12) of the ANN (1), having the steps of: - the ANN (1) is trained (110) in unmonitored fashion on the basis of the samples (11a) contained in the learning data records (2); - at least one quality criterion (3) for the reliability and/or quality of the association of labels (12a) with samples (11a) in the learning data records (2) is taken as a basis for determining (120) a weighting (2a) of the learning data records (2); - this weighting (2a) is taken into consideration for training (130) the ANN (1) in monitored fashion on the basis of the samples (11a) and associated labels (12a) contained in the learning data records (2). Trained ANN (1*) and system (50) having this ANN (1*). Associated computer program.
(FR)
Procédé (100) pour l'entraînement d'un réseau neuronal artificiel, KNN (1), comprenant des jeux de données d'apprentissage (2) qui comportent chacun un échantillon (11a) et une étiquette associée (12a). Chaque échantillon (11a) représente des valeurs d'une ou plusieurs variables d'entrée (11) du KNN (1), et l'étiquette associée (12a) représente des valeurs d'une ou plusieurs variables de sortie (12) du KNN (1). Le procédé comprend les étapes suivantes : le KNN (1) subit un entraînement non surveillé (110) à l'aide des échantillons (11a) contenus dans les jeux de données d'apprentissage (2) ; une pondération (2a) des jeux de données d'apprentissage (2) est déterminée (120) à l'aide d'au moins un critère de qualité (3) pour la fiabilité et/ou la qualité de l'attribution d'étiquettes (12a) aux échantillons (11a) dans les jeux de données d'apprentissage (2) ; en tenant compte de cette pondération (2a), le KNN (1) subit un entraînement surveillé (130) à l'aide des échantillons (11a) contenus dans les jeux de données d'apprentissage (2) et des étiquettes (12a) associées. L'invention concerne également un KNN entraîné (1*) et un système (50) comprenant un tel KNN (1*). De plus, l'invention concerne un programme informatique associé.
Latest bibliographic data on file with the International Bureau