WIPO logo
Mobile | Deutsch | English | Español | 日本語 | 한국어 | Português | Русский | 中文 | العربية |
PATENTSCOPE

Recherche dans les collections de brevets nationales et internationales
World Intellectual Property Organization
Recherche
 
Options de navigation
 
Traduction
 
Options
 
Quoi de neuf
 
Connexion
 
Aide
 
Traduction automatique
1. (WO2016145675) PROCÉDÉ DE TRAITEMENT DE DONNÉES VOLUMINEUSES POUR UN MODÈLE D’APPRENTISSAGE EN PROFONDEUR DE CATÉGORIE DEUX BASÉ SUR UN SEGMENT
Dernières données bibliographiques dont dispose le Bureau international   

N° de publication :    WO/2016/145675    N° de la demande internationale :    PCT/CN2015/075472
Date de publication : 22.09.2016 Date de dépôt international : 31.03.2015
CIB :
G06N 3/02 (2006.01)
Déposants : INSTITUTE OF ACOUSTICS, CHINESE ACADEMY OF SCIENCES [CN/CN]; 21 North 4th Ring Road, Haidian District Beijing 100190 (CN).
SHANGHAI 3NTV NETWORK TECHNOLOGY CO. LTD. [CN/CN]; Room 408, Bldg.1, Gonghexinlu 1481, Zhabei District Shanghai 200072 (CN)
Inventeurs : WANG, Jinlin; (CN).
YOU, Jiali; (CN).
SHENG, Yiqiang; (CN).
LI, Chaopeng; (CN)
Mandataire : FASTA INTELLECTUAL PROPERTY LIMITED; Room 202, Building 1, No.13, Bei Er Tiao Zhongguancun, Haidian District Beijing 100190 (CN)
Données relatives à la priorité :
201510111904.6 13.03.2015 CN
Titre (EN) BIG DATA PROCESSING METHOD FOR SEGMENT-BASED TWO-GRADE DEEP LEARNING MODEL
(FR) PROCÉDÉ DE TRAITEMENT DE DONNÉES VOLUMINEUSES POUR UN MODÈLE D’APPRENTISSAGE EN PROFONDEUR DE CATÉGORIE DEUX BASÉ SUR UN SEGMENT
(ZH) 一种基于分段的两级深度学习模型的大数据处理方法
Abrégé : front page image
(EN)Provided is a big data processing method for a segment-based two-grade deep learning model. The method comprises: step 1), constructing and training a segment-based two-grade deep learning model, wherein the model is divided into two grades in a longitudinal level: a first grade and a second grade, each layer of the first grade is divided into M segments in a horizontal direction, and the weight between neuron nodes of adjacent layers in different segments of the first grade is zero; step 2), dividing big data to be processed into M sub-sets according to the type of the data and respectively inputting same into M segments of a first layer of the segment-based two-grade deep learning model for processing; and step 3), outputting a big data processing result. The segment-based two-grade deep learning model provided in the present invention can effectively reduce the scale of a model and shortens a training time of the model. The method of the present invention can increase the big data processing speed and shorten the processing time.
(FR)L’invention concerne un procédé de traitement de données volumineuses pour un modèle d’apprentissage en profondeur de catégorie deux basé sur un segment. Le procédé comprend les étapes suivantes consistant : étape 1), à construire et à apprendre un modèle d’apprentissage en profondeur de catégorie deux basé sur un segment, le modèle étant divisé en deux catégories dans un niveau longitudinal : une première catégorie et une seconde catégorie, chaque couche de la première catégorie étant divisée en M segments dans une direction horizontale, et le poids entre des nœuds de neurone de couches adjacentes dans différents segments de la première catégorie étant nul ; étape 2), à diviser des données volumineuses à traiter en M sous-ensembles selon le type des données et à entrer respectivement ces dernières dans M segments d’une première couche du modèle d’apprentissage en profondeur de catégorie deux basé sur un segment pour un traitement ; et étape 3), à délivrer un résultat de traitement de données volumineuses. Le modèle d’apprentissage en profondeur de catégorie deux basé sur un segment fourni dans la présente invention peut réduire de manière efficace l’échelle d’un modèle et raccourcir un temps d’apprentissage du modèle. Le procédé de la présente invention peut augmenter la vitesse de traitement de données volumineuses et raccourcir le temps de traitement.
(ZH)本发明提供了一种基于分段的两级深度学习模型的大数据处理方法,所述方法包括:步骤1)构建并训练基于分段的两级深度学习模型,该模型从纵向层次上分为两级:第一级和第二级;所述第一级的各层从横向上分为M段;第一级中不同段间相邻层的神经元节点间权重为0;步骤2)将待处理的大数据按照数据的类型分为M个子集,分别输入基于分段的两级深度学习模型的第一层的M段进行处理;步骤3)输出大数据处理结果。本发明提出的基于分段的两级深度学习模型能够有效地减小了模型规模,缩短了模型的训练时间;本发明的方法能够提高大数据的处理速度,缩短处理时间。
États désignés : 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, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IR, IS, JP, KE, KG, KN, KP, KR, 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.
Organisation régionale africaine de la propriété intellectuelle (ARIPO) (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, ST, SZ, TZ, UG, ZM, ZW)
Office eurasien des brevets (OEAB) (AM, AZ, BY, KG, KZ, RU, TJ, TM)
Office européen des brevets (OEB) (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)
Organisation africaine de la propriété intellectuelle (OAPI) (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, KM, ML, MR, NE, SN, TD, TG).
Langue de publication : chinois (ZH)
Langue de dépôt : chinois (ZH)