Certains contenus de cette application ne sont pas disponibles pour le moment.
Si cette situation persiste, veuillez nous contacter àObservations et contact
1. (WO2018077285) PROCÉDÉ ET APPAREIL D'APPRENTISSAGE DE MODÈLE D'APPRENTISSAGE AUTOMATIQUE, SERVEUR ET SUPPORT DE STOCKAGE
Dernières données bibliographiques dont dispose le Bureau international    Formuler une observation

N° de publication : WO/2018/077285 N° de la demande internationale : PCT/CN2017/108438
Date de publication : 03.05.2018 Date de dépôt international : 30.10.2017
CIB :
G06K 9/62 (2006.01)
G PHYSIQUE
06
CALCUL; COMPTAGE
K
RECONNAISSANCE DES DONNÉES; PRÉSENTATION DES DONNÉES; SUPPORTS D'ENREGISTREMENT; MANIPULATION DES SUPPORTS D'ENREGISTREMENT
9
Méthodes ou dispositions pour la lecture ou la reconnaissance de caractères imprimés ou écrits ou pour la reconnaissance de formes, p.ex. d'empreintes digitales
62
Méthodes ou dispositions pour la reconnaissance utilisant des moyens électroniques
Déposants :
腾讯科技(深圳)有限公司 TENCENT TECHNOLOGY (SHENZHEN) COMPANY LIMITED [CN/CN]; 中国广东省深圳市 南山区高新区科技中一路腾讯大厦35层 35/F, Tencent Building, Kejizhongyi Road, Midwest District of Hi-tech Park, Nanshan District Shenzhen, Guangdong 518057, CN
Inventeurs :
赵伟 ZHAO, Wei; CN
冯亚兵 FENG, Yabing; CN
廖宇 LIAO, Yu; CN
赖俊斌 LAI, Junbin; CN
柴海霞 CHAI, Haixia; CN
潘宣良 PAN, Xuanliang; CN
刘黎春 LIU, Lichun; CN
Mandataire :
北京派特恩知识产权代理有限公司 CHINA PAT INTELLECTUAL PROPERTY OFFICE; 中国北京市 海淀区海淀南路21号中关村知识产权大厦B座2层 2nd Floor, Zhongguancun Intellectual Property Building, Block B, No.21 Haidian South Road, Haidian District Beijing 100080, CN
Données relatives à la priorité :
201610979377.531.10.2016CN
Titre (EN) MACHINE LEARNING MODEL TRAINING METHOD AND APPARATUS, SERVER AND STORAGE MEDIUM
(FR) PROCÉDÉ ET APPAREIL D'APPRENTISSAGE DE MODÈLE D'APPRENTISSAGE AUTOMATIQUE, SERVEUR ET SUPPORT DE STOCKAGE
(ZH) 机器学习模型训练方法、装置、服务器及存储介质
Abrégé :
(EN) A machine learning model training method and apparatus, a server and a storage medium. The method comprises: based on an initialized first weight and second weight of each sample in a training set, taking features of each sample as granularity for training a machine learning model; based on a predicted loss of each sample in the training set, determining a first sample set with a corresponding target variable being incorrectly predicted, and a second sample set with the corresponding target variable being correctly predicted (103); based on a predicted loss of each sample in the first sample set and the corresponding first weight, determining an overall predicted loss of the first sample set (104); based on the overall predicted loss of the first sample set, updating the first weight and the second weight of each sample in the first sample set; and inputting the updated second weight of each sample in the training set, and the features of each sample and the target variable in the machine learning model, taking the features of each sample as granularity for training the machine learning model.
(FR) L'invention concerne un procédé et un appareil d'apprentissage de modèle d'apprentissage automatique, ainsi qu'un serveur et un support de stockage. Le procédé consiste à : d'après un premier poids et un second poids initialisés de chaque échantillon d’un ensemble d'apprentissage, considérer les caractéristiques de chaque échantillon en tant que granularité pour former un modèle d'apprentissage automatique ; d'après une perte prédite de chaque échantillon de l'ensemble d'apprentissage, déterminer un premier ensemble d'échantillons avec une variable cible correspondante prédite de façon incorrecte, et un second ensemble d'échantillons avec la variable cible correspondante prédite de façon correcte (103) ; d'après une perte prédite de chaque échantillon dans le premier ensemble d'échantillons et le premier poids correspondant, déterminer une perte prédite globale du premier ensemble d'échantillons (104) ; d’après la perte prédite globale du premier ensemble d'échantillons, mettre à jour le premier poids et le second poids de chaque échantillon dans le premier ensemble d'échantillons ; et entrer le second poids mis à jour de chaque échantillon dans l'ensemble d'apprentissage, ainsi que les caractéristiques de chaque échantillon et la variable cible dans le modèle d'apprentissage automatique, en considérant les caractéristiques de chaque échantillon en tant que granularité pour former le modèle d'apprentissage automatique.
(ZH) 一种机器学习模型训练方法、装置、服务器及存储介质;方法包括:基于训练集中各样本初始化的第一权重和第二权重、并以各样本的特征为粒度对机器学习模型进行训练;基于训练集中各样本的预测损失,确定相应目标变量被预测错误的第一样本集合,以及相应目标变量被预测正确的第二样本集合(103);基于第一样本集合中各样本的预测损失、以及相应的第一权重确定第一样本集合的整体预测损失(104);基于第一样本集合的整体预测损失更新第一样本集中各样本的第一权重和第二权重;将训练集中各样本更新后的第二权重、以及各样本的特征和目标变量输入机器学习模型,以各样本的特征为粒度对机器学习模型进行训练。
front page image
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, 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
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)