Certains contenus de cette application ne sont pas disponibles pour le moment.
Si cette situation persiste, veuillez nous contacter àObservations et contact
1. (WO2019002603) PROCÉDÉ POUR SURVEILLER LES PERFORMANCES D'UN ALGORITHME D'APPRENTISSAGE AUTOMATIQUE
Dernières données bibliographiques dont dispose le Bureau international    Formuler une observation

N° de publication : WO/2019/002603 N° de la demande internationale : PCT/EP2018/067694
Date de publication : 03.01.2019 Date de dépôt international : 29.06.2018
CIB :
G06N 99/00 (2010.01)
G PHYSIQUE
06
CALCUL; COMPTAGE
N
SYSTÈMES DE CALCULATEURS BASÉS SUR DES MODÈLES DE CALCUL SPÉCIFIQUES
99
Matière non prévue dans les autres groupes de la présente sous-classe
Déposants :
ROYAL HOLLOWAY AND BEDFORD NEW COLLEGE [GB/GB]; Egham Surrey TW20 0EX, GB
Inventeurs :
JORDANEY, Roberto; GB
SHARAD, Kumar; DE
DASH, Santanu Kumar; GB
WANG, Zhi; CN
PAPINI, Davide; IT
NOURETDINOV, Ilia; GB
CAVALLARO, Lorenzo; GB
Mandataire :
J A KEMP; 14 South Square Gray's Inn London WC1R 5JJ, GB
Données relatives à la priorité :
17179159.330.06.2017EP
Titre (EN) METHOD OF MONITORING THE PERFORMANCE OF A MACHINE LEARNING ALGORITHM
(FR) PROCÉDÉ POUR SURVEILLER LES PERFORMANCES D'UN ALGORITHME D'APPRENTISSAGE AUTOMATIQUE
Abrégé :
(EN) A crucial requirement for building sustainable learning models is to train on a wide variety of samples. Unfortunately, objects on which the learned models are used may evolve and the learned models may no longer work well. The invention provides a framework to identify aging classification models in vivo during deployment(concept drift), much before the machine learning model's performance starts to degrade. A statistical comparison of samples seen during deployment with those used to train the model is used, thereby building metrics for classification quality.
(FR) Une exigence cruciale pour construire des modèles d'apprentissage durables consiste à s'entraîner sur une grande diversité d'échantillons. Malheureusement, des objets sur lesquels sont utilisés les modèles ayant subi un apprentissage peuvent évoluer et les modèles ayant subi un apprentissage ne sont plus appropriés. L'invention concerne une infrastructure pour identifier des modèles de classification de vieillissement in vivo pendant un déploiement (dérive de concept), bien avant que les performances du modèle d'apprentissage automatique ne commence à se dégrader. Une comparaison statistique d'échantillons vus pendant un déploiement avec ceux utilisés pour entraîner le modèle est utilisée, ce qui permet de construire des métriques pour la qualité de classification.
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 : anglais (EN)
Langue de dépôt : anglais (EN)