JP7226696B2 - 機械学習方法、機械学習システム及び非一時的コンピュータ可読記憶媒体 - Google Patents
機械学習方法、機械学習システム及び非一時的コンピュータ可読記憶媒体 Download PDFInfo
- Publication number
- JP7226696B2 JP7226696B2 JP2021094808A JP2021094808A JP7226696B2 JP 7226696 B2 JP7226696 B2 JP 7226696B2 JP 2021094808 A JP2021094808 A JP 2021094808A JP 2021094808 A JP2021094808 A JP 2021094808A JP 7226696 B2 JP7226696 B2 JP 7226696B2
- Authority
- JP
- Japan
- Prior art keywords
- parameters
- classification model
- hypernetwork
- classification
- hyperparameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010801 machine learning Methods 0.000 title claims description 48
- 238000013145 classification model Methods 0.000 claims description 181
- 238000012549 training Methods 0.000 claims description 85
- 238000013434 data augmentation Methods 0.000 claims description 52
- 238000013528 artificial neural network Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 30
- 238000010200 validation analysis Methods 0.000 claims description 22
- 230000003190 augmentative effect Effects 0.000 claims description 16
- 230000001131 transforming effect Effects 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 18
- GRZXCHIIZXMEPJ-HTLKCAKFSA-N neutrophil peptide-2 Chemical compound C([C@H]1C(=O)N[C@H]2CSSC[C@H]3C(=O)N[C@H](C(N[C@@H](C)C(=O)NCC(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CC=4C=CC(O)=CC=4)C(=O)NCC(=O)N[C@H](C(=O)N[C@@H](CSSC[C@H](NC(=O)[C@H](CC=4C=CC(O)=CC=4)NC(=O)[C@@H](N)CSSC[C@H](NC2=O)C(O)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H]([C@@H](C)CC)C(=O)N2[C@@H](CCC2)C(=O)N[C@@H](C)C(=O)N3)C(=O)N[C@H](C(=O)N[C@@H](CC=2C=CC(O)=CC=2)C(=O)N[C@@H](CCC(N)=O)C(=O)NCC(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC=2C3=CC=CC=C3NC=2)C(=O)N[C@@H](C)C(=O)N1)[C@@H](C)CC)[C@@H](C)O)=O)[C@@H](C)CC)C1=CC=CC=C1 GRZXCHIIZXMEPJ-HTLKCAKFSA-N 0.000 description 15
- 206010055171 Hypertensive nephropathy Diseases 0.000 description 10
- 101150028693 LPD1 gene Proteins 0.000 description 9
- 101150083802 LPD2 gene Proteins 0.000 description 6
- 102100032139 Neuroguidin Human genes 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 206010016863 Foetal malposition Diseases 0.000 description 1
- 208000036830 Normal foetus Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 206010006451 bronchitis Diseases 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Description
120 記憶ユニット
140 処理ユニット
142 データ拡張モデル
144 ハイパーネットワーク
146 分類モデル
200 機械学習方法
S210、S220、S230、S240 ステップ
S221、S222、S223、S224、S225 ステップ
S231、S232、S233、S234 ステップ
HP、HP1、HP2 ハイパーパラメータ
HNP、HNP1、HNP2 ハイパーネットワークパラメータ
MP1 第1の分類モデルパラメータ
MP2 第2の分類モデルパラメータ
MP1m、MP2m 好ましい分類モデルパラメータ
SP1 データ拡張空間
SP2 分類パラメータ空間
HPe1、HPe2、HPe3、HPe4 検索ハイパーパラメータ
MPe1、MPe2、MPe3、MPe4 検索分類モデルパラメータ
146e1、146e2、146e3、146e4 検索分類モデル
SL1、SL2、SL3、SL4、SL5 ニューラルネットワーク構造層
SL6、SL7、SL8、SLn ニューラルネットワーク構造層
P1 第1の構造層部分
P2 第2の構造層部分
TD トレーニングサンプル
LTD トレーニングラベル
ETD 拡張トレーニングサンプル
VD 検証サンプル
LVD 検証ラベル
LPD1 第1の予測ラベル
LPD2 第2の予測ラベル
L1 第1の損失
L2 第2の損失
Claims (20)
- (a)ハイパーパラメータ及びハイパーネットワークパラメータの初期値を取得するステップと、
(b)前記ハイパーパラメータ及び前記ハイパーネットワークパラメータに基づいて第1の分類モデルパラメータを生成し、前記第1の分類モデルパラメータに基づいてトレーニングサンプルの分類結果に対して前記ハイパーネットワークパラメータを更新するステップであって、前記ハイパーパラメータはデータ拡張を行うようにデータ拡張モデルを制御するために少なくとも利用され、前記ハイパーネットワークパラメータはハイパーネットワークを制御するために利用され、前記ハイパーパラメータは分類モデルを制御するように前記ハイパーネットワークにより第1の分類モデルパラメータに変換される、更新するステップと、
(c)前記ハイパーパラメータ及び更新後の前記ハイパーネットワークパラメータに基づいて第2の分類モデルパラメータを生成し、前記第2の分類モデルパラメータに基づいて検証サンプルの分類結果に対して前記ハイパーパラメータを更新するステップと、
(d)前記ハイパーネットワークパラメータ及び前記ハイパーパラメータを更新するように、ステップ(b)及び(c)を繰り返すステップと、
を含む機械学習方法。 - ステップ(b)は、
(b1)前記データ拡張モデルにより前記ハイパーパラメータに基づいて前記トレーニングサンプルに対してデータ拡張を行って拡張トレーニングサンプルを生成するステップと、
(b2)前記ハイパーネットワークにより前記ハイパーネットワークパラメータに基づいて前記ハイパーパラメータを前記第1の分類モデルパラメータに変換するステップと、
(b3)前記分類モデルにより前記第1の分類モデルパラメータに基づいて前記拡張トレーニングサンプルを分類して前記拡張トレーニングサンプルに対応する第1の予測ラベルを生成するステップと、
(b4)前記第1の予測ラベルと前記トレーニングサンプルのトレーニングラベルとを比較することで生成された第1の損失に基づいて前記ハイパーネットワークパラメータを更新するステップと、を含む請求項1に記載の機械学習方法。 - ステップ(b2)は、
前記ハイパーネットワークにより前記ハイパーネットワークパラメータ及び複数の検索値に基づいて前記ハイパーパラメータを前記検索値に対応する複数の検索分類モデルパラメータに変換するステップを含み、
ステップ(b3)は、
前記分類モデルにより前記複数の検索分類モデルパラメータに基づいて、それぞれ前記拡張トレーニングサンプルを分類して前記拡張トレーニングサンプルに対応する複数の第1の予測ラベルを生成する複数の検索分類モデルをそれぞれ形成するステップを含み、
ステップ(b4)は、
前記複数の第1の予測ラベルと前記トレーニングサンプルの前記トレーニングラベルとを比較することで前記複数の検索分類モデルに対応する複数の第1の損失を計算するステップと、
前記複数の検索分類モデル及びそれらに対応する前記複数の第1の損失に基づいて前記ハイパーネットワークパラメータを更新するステップと、を含む請求項2に記載の機械学習方法。 - ステップ(b4)において、
前記複数の第1の損失を得るように、前記複数の第1の予測ラベルのそれぞれと前記トレーニングラベルに対してクロスエントロピー計算を行う請求項3に記載の機械学習方法。 - 前記複数の検索分類モデルの各々は、複数のニューラルネットワーク構造層を含み、前記複数のニューラルネットワーク構造層は、第1の構造層部分と、前記第1の構造層部分に接続される第2の構造層部分とに分けられ、前記複数の検索分類モデルを形成するための前記複数の検索分類モデルパラメータの各々は、前記第1の構造層部分の動作を決定するための第1の重みパラメータコンテンツと、前記第2の構造層部分の動作を決定するための第2の重みパラメータコンテンツと、を含む請求項3に記載の機械学習方法。
- 前記複数の検索分類モデルの前記複数の第2の構造層部分は、同じ前記第2の重みパラメータコンテンツを共有し、前記複数の第2の構造層部分同士の動作論理は同じである請求項5に記載の機械学習方法。
- 前記第1の構造層部分は、少なくとも1つの第1の畳み込み層を含み、前記複数の検索分類モデルのそれぞれの前記少なくとも1つの第1の畳み込み層同士は、重みパラメータが異なっている請求項5に記載の機械学習方法。
- 前記第2の構造層部分は、少なくとも1つの第2の畳み込み層と、少なくとも1つの完全接続層と、を含み、前記複数の検索分類モデルのそれぞれの前記少なくとも1つの第2の畳み込み層同士及び前記少なくとも1つの完全接続層同士は、重みパラメータが同じである請求項5に記載の機械学習方法。
- ステップ(c)は、
(c1)前記ハイパーネットワークにより更新後の前記ハイパーネットワークパラメータに基づいて前記ハイパーパラメータを前記第2の分類モデルパラメータに変換するステップと、
(c2)前記分類モデルにより前記第2の分類モデルパラメータに基づいて前記検証サンプルを分類して前記検証サンプルに対応する第2の予測ラベルを生成するステップと、
(c3)前記第2の予測ラベルと前記検証サンプルの検証ラベルとを比較することで生成された第2の損失に基づいて前記ハイパーパラメータを更新するステップと、を含む請求項1に記載の機械学習方法。 - ステップ(c3)において、
前記第2の損失を得るように、前記第2の予測ラベルと前記検証ラベルに対してクロスエントロピー計算を行う請求項9に記載の機械学習方法。 - ハイパーパラメータ及びハイパーネットワークパラメータの初期値を記憶するための記憶ユニットであって、前記ハイパーパラメータはデータ拡張を行うようにデータ拡張モデルを制御するために少なくとも利用され、前記ハイパーネットワークパラメータはハイパーネットワークを制御するために利用される、記憶ユニットと、
前記記憶ユニットに結合され、前記ハイパーネットワーク及び分類モデルを実行する処理ユニットと、を含み、
前記処理ユニットは、
(a)前記ハイパーネットワークにより前記ハイパーパラメータ及び前記ハイパーネットワークパラメータに基づいて第1の分類モデルパラメータを生成し、前記分類モデルにより前記第1の分類モデルパラメータに基づいてトレーニングサンプルの分類結果を生成することで、前記ハイパーネットワークパラメータを更新する操作であって、前記ハイパーパラメータが前記分類モデルを制御するように前記ハイパーネットワークにより第1の分類モデルパラメータに変換される、更新する操作と、
(b)前記ハイパーネットワークにより前記ハイパーパラメータ及び更新後の前記ハイパーネットワークパラメータに基づいて第2の分類モデルパラメータを生成し、前記分類モデルにより前記第2の分類モデルパラメータに基づいて検証サンプルの分類結果を生成することで、前記ハイパーパラメータを更新する操作と、
(c)前記ハイパーネットワークパラメータ及び前記ハイパーパラメータを繰り返し更新するように、操作(a)及び(b)を繰り返す操作と、を行うことに用いられる機械学習システム。 - 前記処理ユニットは、更に前記データ拡張モデルを実行するために用いられ、前記処理ユニットにより行われる操作(a)は、
(a1)前記データ拡張モデルにより前記ハイパーパラメータに基づいて前記トレーニングサンプルに対してデータ拡張を行って拡張トレーニングサンプルを生成することと、
(a2)前記ハイパーネットワークにより前記ハイパーネットワークパラメータに基づいて前記ハイパーパラメータを前記第1の分類モデルパラメータに変換することと、
(a3)前記分類モデルにより前記第1の分類モデルパラメータに基づいて前記拡張トレーニングサンプルを分類して前記拡張トレーニングサンプルに対応する第1の予測ラベルを生成することと、
(a4)前記第1の予測ラベルと前記トレーニングサンプルのトレーニングラベルとを比較することで生成された第1の損失に基づいて前記ハイパーネットワークパラメータを更新することと、を含む請求項11に記載の機械学習システム。 - 前記処理ユニットにより行われる操作(a2)は、
前記ハイパーネットワークにより前記ハイパーネットワークパラメータ及び複数の検索値に基づいて前記ハイパーパラメータを前記検索値に対応する複数の検索分類モデルパラメータに変換することを含み、
前記処理ユニットにより行われる操作(a3)は、
前記分類モデルにより前記複数の検索分類モデルパラメータに基づいて、それぞれ前記拡張トレーニングサンプルを分類して前記拡張トレーニングサンプルに対応する複数の第1の予測ラベルを生成する複数の検索分類モデルをそれぞれ形成することを含み、
前記処理ユニットにより行われる操作(a4)は、
前記複数の第1の予測ラベルと前記トレーニングサンプルの前記トレーニングラベルとを比較することで前記複数の検索分類モデルに対応する複数の第1の損失を計算することと、
前記複数の検索分類モデル及びそれらに対応する前記複数の第1の損失に基づいて前記ハイパーネットワークパラメータを更新することと、を含む請求項12に記載の機械学習システム。 - 前記処理ユニットにより行われる操作(a4)は、
前記複数の第1の損失を得るように、前記複数の第1の予測ラベルのそれぞれと前記トレーニングラベルに対してクロスエントロピー計算を行うことを含む請求項13に記載の機械学習システム。 - 前記複数の検索分類モデルの各々は、複数のニューラルネットワーク構造層を含み、前記複数のニューラルネットワーク構造層は、第1の構造層部分と、前記第1の構造層部分に接続される第2の構造層部分とに分けられ、前記複数の検索分類モデルを形成するための前記複数の検索分類モデルパラメータの各々は、前記第1の構造層部分の動作を決定するための第1の重みパラメータコンテンツと、前記第2の構造層部分の動作を決定するための第2の重みパラメータコンテンツと、を含む請求項13に記載の機械学習システム。
- 前記複数の検索分類モデルの前記複数の第2の構造層部分は、同じ前記第2の重みパラメータコンテンツを共有し、前記複数の第2の構造層部分同士の動作論理は同じである請求項15に記載の機械学習システム。
- 前記第1の構造層部分は、少なくとも1つの第1の畳み込み層を含み、前記複数の検索分類モデルのそれぞれの前記少なくとも1つの第1の畳み込み層同士は、重みパラメータが異なっている請求項15に記載の機械学習システム。
- 前記第2の構造層部分は、少なくとも1つの第2の畳み込み層と、少なくとも1つの完全接続層と、を含み、前記複数の検索分類モデルのそれぞれの前記少なくとも1つの第2の畳み込み層同士及び前記少なくとも1つの完全接続層同士は、重みパラメータが同じである請求項15に記載の機械学習システム。
- 前記処理ユニットにより行われる操作(b)は、
(b1)前記ハイパーネットワークにより更新後の前記ハイパーネットワークパラメータに基づいて前記ハイパーパラメータを前記第2の分類モデルパラメータに変換することと、
(b2)前記分類モデルにより前記第2の分類モデルパラメータに基づいて前記検証サンプルを分類して前記検証サンプルに対応する第2の予測ラベルを生成することと、
(b3)前記第2の予測ラベルと前記検証サンプルの検証ラベルとを比較することで生成された第2の損失に基づいて前記ハイパーパラメータを更新することと、を含む請求項11に記載の機械学習システム。 - 少なくとも1つの命令プログラムを含み、機械学習方法を実行するように、プロセッサにより前記少なくとも1つの命令プログラムを実行する非一時的コンピュータ可読記憶媒体であって、前記機械学習方法は、
(a)ハイパーパラメータ及びハイパーネットワークパラメータの初期値を取得するステップと、
(b)前記ハイパーパラメータ及び前記ハイパーネットワークパラメータに基づいて第1の分類モデルパラメータを生成し、前記第1の分類モデルパラメータに基づいてトレーニングサンプルの分類結果に対して前記ハイパーネットワークパラメータを更新するステップであって、前記ハイパーパラメータはデータ拡張を行うようにデータ拡張モデルを制御するために少なくとも利用され、前記ハイパーネットワークパラメータはハイパーネットワークを制御するために利用され、前記ハイパーパラメータは分類モデルを制御するように前記ハイパーネットワークにより第1の分類モデルパラメータに変換される、更新ステップと、
(c)前記ハイパーパラメータ及び更新後の前記ハイパーネットワークパラメータに基づいて第2の分類モデルパラメータを生成し、前記第2の分類モデルパラメータに基づいて検証サンプルの分類結果に対して前記ハイパーパラメータを更新するステップと、
(d)前記ハイパーネットワークパラメータ及び前記ハイパーパラメータを繰り返し更新するように、ステップ(b)及び(c)を繰り返すステップと、
を含む非一時的コンピュータ可読記憶媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063034993P | 2020-06-05 | 2020-06-05 | |
US63/034,993 | 2020-06-05 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021193564A JP2021193564A (ja) | 2021-12-23 |
JP7226696B2 true JP7226696B2 (ja) | 2023-02-21 |
Family
ID=76283633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021094808A Active JP7226696B2 (ja) | 2020-06-05 | 2021-06-04 | 機械学習方法、機械学習システム及び非一時的コンピュータ可読記憶媒体 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20210383224A1 (ja) |
EP (1) | EP3920102A1 (ja) |
JP (1) | JP7226696B2 (ja) |
KR (1) | KR20210152402A (ja) |
CN (1) | CN113762327B (ja) |
TW (1) | TWI831016B (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102479679B1 (ko) * | 2021-12-31 | 2022-12-21 | 주식회사 애자일소다 | 데이터 증강과 오토 레이블링을 이용한 데이터 구축 장치 및 방법 |
KR102656568B1 (ko) * | 2022-03-31 | 2024-04-12 | 주식회사 에임퓨처 | 데이터를 분류하는 방법 및 장치 |
CN117877103B (zh) * | 2024-03-13 | 2024-05-24 | 宁波市眼科医院 | 一种基于深度元学习的角膜炎智能筛查方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190251439A1 (en) | 2016-10-28 | 2019-08-15 | Google Llc | Neural architecture search |
WO2020070876A1 (ja) | 2018-10-05 | 2020-04-09 | 日本電気株式会社 | 教師データ拡張装置、教師データ拡張方法およびプログラム |
JP2020087103A (ja) | 2018-11-28 | 2020-06-04 | 株式会社ツバサファクトリー | 学習方法、コンピュータプログラム、分類器、及び生成器 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034381B (zh) * | 2017-06-09 | 2022-01-28 | 宏达国际电子股份有限公司 | 训练任务优化***、方法及其非暂态电脑可读媒体 |
JP6773618B2 (ja) * | 2017-09-04 | 2020-10-21 | 株式会社東芝 | 学習装置、情報処理装置、学習方法およびプログラム |
KR102521054B1 (ko) * | 2017-10-18 | 2023-04-12 | 삼성전자주식회사 | 조기 중단에 기반한 심층 신경망의 연산 제어 방법 및 시스템 |
KR101864286B1 (ko) | 2017-11-10 | 2018-07-04 | 주식회사 한컴엠디에스 | 머신 러닝 알고리즘을 이용하는 방법 및 장치 |
US20210081792A1 (en) * | 2018-04-26 | 2021-03-18 | Nippon Telegraph And Telephone Corporation | Neural network learning apparatus, neural network learning method and program |
US10810996B2 (en) * | 2018-07-31 | 2020-10-20 | Nuance Communications, Inc. | System and method for performing automatic speech recognition system parameter adjustment via machine learning |
CN110163234B (zh) * | 2018-10-10 | 2023-04-18 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、装置和存储介质 |
CN110110861B (zh) * | 2019-05-09 | 2021-11-26 | 北京市商汤科技开发有限公司 | 确定模型超参数及模型训练的方法和装置、存储介质 |
CN110231360B (zh) * | 2019-05-31 | 2020-06-26 | 华南农业大学 | 电镜像差的确定方法、消除方法及装置 |
CN110580496A (zh) * | 2019-07-11 | 2019-12-17 | 南京邮电大学 | 一种基于熵最小化的深度迁移学习***及方法 |
CN110889489A (zh) * | 2019-11-08 | 2020-03-17 | 北京小米移动软件有限公司 | 神经网络的训练方法、图像识别方法及其装置 |
CN111126564B (zh) * | 2019-11-27 | 2023-08-08 | 东软集团股份有限公司 | 一种神经网络结构搜索方法、装置及设备 |
-
2021
- 2021-06-04 EP EP21177789.1A patent/EP3920102A1/en active Pending
- 2021-06-04 JP JP2021094808A patent/JP7226696B2/ja active Active
- 2021-06-04 TW TW110120430A patent/TWI831016B/zh active
- 2021-06-04 KR KR1020210072866A patent/KR20210152402A/ko not_active Application Discontinuation
- 2021-06-04 CN CN202110621872.XA patent/CN113762327B/zh active Active
- 2021-06-04 US US17/338,707 patent/US20210383224A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190251439A1 (en) | 2016-10-28 | 2019-08-15 | Google Llc | Neural architecture search |
WO2020070876A1 (ja) | 2018-10-05 | 2020-04-09 | 日本電気株式会社 | 教師データ拡張装置、教師データ拡張方法およびプログラム |
JP2020087103A (ja) | 2018-11-28 | 2020-06-04 | 株式会社ツバサファクトリー | 学習方法、コンピュータプログラム、分類器、及び生成器 |
Also Published As
Publication number | Publication date |
---|---|
EP3920102A1 (en) | 2021-12-08 |
CN113762327A (zh) | 2021-12-07 |
TW202147139A (zh) | 2021-12-16 |
KR20210152402A (ko) | 2021-12-15 |
JP2021193564A (ja) | 2021-12-23 |
CN113762327B (zh) | 2024-07-09 |
TWI831016B (zh) | 2024-02-01 |
US20210383224A1 (en) | 2021-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11610115B2 (en) | Learning to generate synthetic datasets for training neural networks | |
JP7226696B2 (ja) | 機械学習方法、機械学習システム及び非一時的コンピュータ可読記憶媒体 | |
US10275719B2 (en) | Hyper-parameter selection for deep convolutional networks | |
US11640518B2 (en) | Method and apparatus for training a neural network using modality signals of different domains | |
CN106204522B (zh) | 对单个图像的联合深度估计和语义标注 | |
CN112150821B (zh) | 轻量化车辆检测模型构建方法、***及装置 | |
WO2021057720A1 (zh) | 神经网络模型处理方法、装置、计算机设备及存储介质 | |
KR20180044295A (ko) | 트레이닝된 머신 학습 모델의 성능을 개선시키는 방법 | |
KR20180048930A (ko) | 분류를 위한 강제된 희소성 | |
CN113570029A (zh) | 获取神经网络模型的方法、图像处理方法及装置 | |
KR20220047228A (ko) | 이미지 분류 모델 생성 방법 및 장치, 전자 기기, 저장 매체, 컴퓨터 프로그램, 노변 장치 및 클라우드 제어 플랫폼 | |
WO2022100607A1 (zh) | 一种神经网络结构确定方法及其装置 | |
JPWO2019146057A1 (ja) | 学習装置、実写画像分類装置の生成システム、実写画像分類装置の生成装置、学習方法及びプログラム | |
US20230237342A1 (en) | Adaptive lookahead for planning and learning | |
KR102637342B1 (ko) | 대상 객체를 추적하는 방법과 장치 및 전자 장치 | |
US20230229916A1 (en) | Scalable tensor network contraction using reinforcement learning | |
US20220383073A1 (en) | Domain adaptation using domain-adversarial learning in synthetic data systems and applications | |
US20220067532A1 (en) | Method to Train Model | |
JP2022135701A (ja) | 学習装置、方法およびプログラム | |
US20240249128A1 (en) | Efficient tensor rematerialization for neural networks | |
US20240161403A1 (en) | High resolution text-to-3d content creation | |
US20240160888A1 (en) | Realistic, controllable agent simulation using guided trajectories and diffusion models | |
CN116665266A (zh) | 人脸检测方法、装置、电子设备及存储介质 | |
WO2024102628A1 (en) | Self-supervised point cloud ordering using machine learning models | |
KR20220154181A (ko) | 퓨샷 유사성 결정 및 분류를 위한 크로스-트랜스포머 신경 네트워크 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210727 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220614 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220615 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220912 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230110 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230127 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7226696 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |