Traitement en cours

Veuillez attendre...

Paramétrages

Paramétrages

Aller à Demande

1. WO2022093234 - RÉDUCTION DE NIVEAUX DE DISCRÉTISATION BASÉE SUR UN APPRENTISSAGE AUTOMATIQUE

Numéro de publication WO/2022/093234
Date de publication 05.05.2022
N° de la demande internationale PCT/US2020/057974
Date du dépôt international 29.10.2020
CIB
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
CPC
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 3/0481
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
G06N 3/088
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
08Learning methods
088Non-supervised learning, e.g. competitive learning
Déposants
  • GOOGLE LLC [US]/[US]
  • BALUJA, Shumeet [US]/[US] (US)
Inventeurs
  • BALUJA, Shumeet
Mandataires
  • PROBST, Joseph J.
Données relatives à la priorité
Langue de publication Anglais (en)
Langue de dépôt anglais (EN)
États désignés
Titre
(EN) MACHINE-LEARNED DISCRETIZATION LEVEL REDUCTION
(FR) RÉDUCTION DE NIVEAUX DE DISCRÉTISATION BASÉE SUR UN APPRENTISSAGE AUTOMATIQUE
Abrégé
(EN) A computer-implemented method for providing level-reduced tensor data having improved representation of information can include obtaining input tensor data, providing the input tensor data as input to a machine-learned discretization level reduction model configured to receive tensor data having a number of discretization levels and produce, in response to receiving the tensor data, level-reduced tensor data having a reduced number of discretization levels, and obtaining, from the machine-learned discretization level reduction model, the level-reduced tensor data. The machine-learned discretization level reduction model is trained using reconstructed input tensor data generated using an output of the machine-learned discretization level reduction model. The machine-learned discretization level reduction model can include one or more level reduction layers configured to receive input having a first number of discretization levels and to provide a layer output having a reduced a number of discretization levels.
(FR) L'invention concerne un procédé mis en œuvre par ordinateur en vue de fournir des données tensorielles de niveau réduit dotées d'une représentation améliorée d'informations, pouvant comprendre les étapes consistant à obtenir des données tensorielles d'entrée, à fournir les données tensorielles d'entrée en tant qu'entrée à un modèle de réduction de niveaux de discrétisation basé sur un apprentissage automatique configuré pour recevoir des données tensorielles présentant un certain nombre de niveaux de discrétisation et produire, en réponse à la réception des données tensorielles, des données tensorielles de niveau réduit présentant un nombre réduit de niveaux de discrétisation, et à obtenir, à partir du modèle de réduction de niveaux de discrétisation basé sur l'apprentissage automatique, les données tensorielles de niveau réduit. Le modèle de réduction de niveaux de discrétisation basé sur l'apprentissage automatique est entraîné à l'aide de données tensorielles d'entrée reconstruites générées en utilisant une sortie du modèle de réduction de niveaux de discrétisation basé sur l'apprentissage automatique. Le modèle de réduction de niveaux de discrétisation basé sur l'apprentissage automatique peut comprendre une ou plusieurs couches de réduction de niveau configurées pour recevoir une entrée présentant un premier nombre de niveaux de discrétisation et pour fournir une sortie de couche(s) présentant un nombre réduit de niveaux de discrétisation.
Dernières données bibliographiques dont dispose le Bureau international