Traitement en cours

Veuillez attendre...

PATENTSCOPE sera indisponible durant quelques heures pour des raisons de maintenance le mardi 27.07.2021 à 12:00 PM CEST
Paramétrages

Paramétrages

Aller à Demande

1. WO2020159568 - SÉLECTION DYNAMIQUE DE DONNÉES DESTINÉE À UN MODÈLE D'APPRENTISSAGE AUTOMATIQUE

Numéro de publication WO/2020/159568
Date de publication 06.08.2020
N° de la demande internationale PCT/US2019/040693
Date du dépôt international 05.07.2019
CIB
G06N 20/10 2019.1
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 7/00 2006.1
GPHYSIQUE
06CALCUL; COMPTAGE
NSYSTÈMES DE CALCULATEURS BASÉS SUR DES MODÈLES DE CALCUL SPÉCIFIQUES
7Systèmes de calculateurs basés sur des modèles mathématiques spécifiques
G06N 3/04 2006.1
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
04Architecture, p.ex. topologie d'interconnexion
G06N 3/08 2006.1
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
G06N 5/00 2006.1
GPHYSIQUE
06CALCUL; COMPTAGE
NSYSTÈMES DE CALCULATEURS BASÉS SUR DES MODÈLES DE CALCUL SPÉCIFIQUES
5Systèmes de calculateurs utilisant des modèles basés sur la connaissance
CPC
G06N 20/00
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
20Machine learning
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 3/0445
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
0445Feedback networks, e.g. hopfield nets, associative networks
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 3/082
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
08Learning methods
082modifying the architecture, e.g. adding or deleting nodes or connections, pruning
G06N 5/003
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
5Computer systems using knowledge-based models
003Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Déposants
  • ORACLE INTERNATIONAL CORPORATION [US]/[US]
Inventeurs
  • KALE, Someshwar Maroti
  • DESAI, Utkarsh Milind
  • KRISHNAMURTHY, Vijayalakshmi
Mandataires
  • PATEL, Viresh
  • GOLDSMITH, Barry
Données relatives à la priorité
16/458,92401.07.2019US
20194100380330.01.2019IN
Langue de publication anglais (EN)
Langue de dépôt anglais (EN)
États désignés
Titre
(EN) DYNAMIC DATA SELECTION FOR A MACHINE LEARNING MODEL
(FR) SÉLECTION DYNAMIQUE DE DONNÉES DESTINÉE À UN MODÈLE D'APPRENTISSAGE AUTOMATIQUE
Abrégé
(EN)
Embodiments implement a machine learning prediction model with dynamic data selection. A number of data predictions generated by a trained machine learning model can be accessed, where the data predictions include corresponding observed data. An accuracy for the machine learning model can be calculated based on the accessed number of data predictions and the corresponding observed data. The accessing and calculating can be iterated using a variable number of data predictions, where the variable number of data predictions is adjusted based on an action taken during a previous iteration, and, when the calculated accuracy fails to meet an accuracy criteria during a given iteration, a training for the machine learning model can be triggered.
(FR)
Des modes de réalisation mettent en œuvre un modèle de prédiction d'apprentissage automatique comprenant une sélection dynamique de données. Un certain nombre de prédictions de données générées par un modèle d'apprentissage automatique entraîné peuvent faire l'objet d'un accès, les prédictions de données comprenant des données observées correspondantes. Une précision du modèle d'apprentissage automatique peut être calculée en fonction du nombre de prédictions de données ayant fait l'objet d'un accès et des données observées correspondantes. L'accès et le calcul peuvent être itérés à l'aide d'un nombre variable de prédictions de données, le nombre variable de prédictions de données étant réglé en fonction d'une action prise pendant une itération précédente et, lorsque la précision calculée échoue à satisfaire un critère de précision pendant une itération donnée, un apprentissage du modèle d'apprentissage automatique peut être déclenché.
Également publié en tant que
Dernières données bibliographiques dont dispose le Bureau international