Traitement en cours

Veuillez attendre...

Paramétrages

Paramétrages

Goto Application

1. WO2020091865 - APPRENTISSAGE DE NOYAU PROFOND DE RANG FINI POUR UNE PRÉVISION ET UNE RÉGRESSION DE SÉRIES CHRONOLOGIQUES ROBUSTES

Numéro de publication WO/2020/091865
Date de publication 07.05.2020
N° de la demande internationale PCT/US2019/043934
Date du dépôt international 29.07.2019
CIB
G06N 20/10 2019.01
GPHYSIQUE
06CALCUL; COMPTAGE
NSYSTÈMES DE CALCULATEURS BASÉS SUR DES MODÈLES DE CALCUL SPÉCIFIQUES
20Apprentissage automatique
10utilisant des méthodes à noyaux, p.ex. séparateurs à vaste marge
G06N 3/08 2006.01
GPHYSIQUE
06CALCUL; COMPTAGE
NSYSTÈMES DE CALCULATEURS BASÉS SUR DES MODÈLES DE CALCUL SPÉCIFIQUES
3Systèmes de calculateurs basés sur des modèles biologiques
02utilisant des modèles de réseaux neuronaux
08Méthodes d'apprentissage
CPC
G06K 9/6256
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
9Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
62Methods or arrangements for recognition using electronic means
6217Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
6256Obtaining sets of training patterns; Bootstrap methods, e.g. bagging, boosting
G06N 20/10
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
20Machine learning
10using kernel methods, e.g. support vector machines [SVM]
G06N 3/0481
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
0481Non-linear activation functions, e.g. sigmoids, thresholds
G06N 3/084
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
08Learning methods
084Back-propagation
Déposants
  • INTUIT INC. [US]/[US]
Inventeurs
  • DASGUPTA, Sambarta
  • KUMAR, Sricharan
  • SRIVASTAVA, Ashok
Mandataires
  • PATTERSON, B. Todd
  • TRANSIER, Nicholas R.
Données relatives à la priorité
16/212,60106.12.2018US
62/755,22902.11.2018US
Langue de publication anglais (EN)
Langue de dépôt anglais (EN)
États désignés
Titre
(EN) FINITE RANK DEEP KERNEL LEARNING FOR ROBUST TIME SERIES FORECASTING AND REGRESSION
(FR) APPRENTISSAGE DE NOYAU PROFOND DE RANG FINI POUR UNE PRÉVISION ET UNE RÉGRESSION DE SÉRIES CHRONOLOGIQUES ROBUSTES
Abrégé
(EN)
Certain aspects of the present disclosure provide techniques for performing finite rank deep kernel learning. In one example, a method for performing finite rank deep kernel learning includes receiving a training dataset; forming a set of embeddings by subjecting the training data set to a deep neural network, forming, from the set of embeddings, a plurality of dot kernels; combining the plurality of dot kernels to form a composite kernel for a Gaussian process; receiving live data from an application; and predicting a plurality of values and a plurality of uncertainties associated with the plurality of values simultaneously using the composite kernel.
(FR)
Certains aspects de la présente invention concernent des techniques de réalisation d'une apprentissage de noyau profond de rang fini. Dans un exemple, un procédé pour réaliser un apprentissage de noyau profond de rang fini comprend la réception d'un ensemble de données d'apprentissage ; la formation d'un ensemble d'intégrations par soumission de l'ensemble de données d'apprentissage à un réseau neuronal profond, la formation, à partir de l'ensemble d'intégrations, d'une pluralité de noyaux de points ; la combinaison de la pluralité de noyaux de points pour former un noyau composite pour un processus gaussien ; la réception de données en direct à partir d'une application ; et la prédiction d'une pluralité de valeurs et d'une pluralité d'incertitudes associées à la pluralité de valeurs simultanément à l'aide du noyau composite.
Dernières données bibliographiques dont dispose le Bureau international