JP7399269B2 - 機械学習モデルにおいて動的外れ値偏り低減を実装するように構成されるコンピュータベースシステム、コンピュータコンポーネント及びコンピュータオブジェクト - Google Patents
機械学習モデルにおいて動的外れ値偏り低減を実装するように構成されるコンピュータベースシステム、コンピュータコンポーネント及びコンピュータオブジェクト Download PDFInfo
- Publication number
- JP7399269B2 JP7399269B2 JP2022517214A JP2022517214A JP7399269B2 JP 7399269 B2 JP7399269 B2 JP 7399269B2 JP 2022517214 A JP2022517214 A JP 2022517214A JP 2022517214 A JP2022517214 A JP 2022517214A JP 7399269 B2 JP7399269 B2 JP 7399269B2
- Authority
- JP
- Japan
- Prior art keywords
- model
- outlier
- activity
- machine learning
- data
- 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 216
- 230000009467 reduction Effects 0.000 title description 25
- 230000000694 effects Effects 0.000 claims description 180
- 238000012549 training Methods 0.000 claims description 171
- 238000000034 method Methods 0.000 claims description 114
- 230000006870 function Effects 0.000 claims description 57
- 239000013598 vector Substances 0.000 claims description 50
- 238000004891 communication Methods 0.000 claims description 26
- 238000003860 storage Methods 0.000 claims description 24
- 238000009877 rendering Methods 0.000 claims description 11
- 239000000203 mixture Substances 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 7
- 230000001172 regenerating effect Effects 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 description 70
- 230000008569 process Effects 0.000 description 26
- 238000007637 random forest analysis Methods 0.000 description 21
- 238000003066 decision tree Methods 0.000 description 18
- 238000004458 analytical method Methods 0.000 description 16
- 238000012417 linear regression Methods 0.000 description 16
- 230000006872 improvement Effects 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 230000009021 linear effect Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 230000007423 decrease Effects 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 7
- 238000013459 approach Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 102100035115 Testin Human genes 0.000 description 5
- 101710070533 Testin Proteins 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000013145 classification model Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000005553 drilling Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 238000012804 iterative process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012821 model calculation Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000001953 sensory effect Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 239000000872 buffer Substances 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 244000299461 Theobroma cacao Species 0.000 description 2
- 235000009470 Theobroma cacao Nutrition 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000003339 best practice Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000007620 mathematical function Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013518 transcription Methods 0.000 description 2
- 230000035897 transcription Effects 0.000 description 2
- 241000962514 Alosa chrysochloris Species 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 241000282376 Panthera tigris Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 210000000941 bile Anatomy 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000013478 data encryption standard Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000010881 fly ash Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 239000008030 superplasticizer Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F18/21—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
- Image Analysis (AREA)
Description
本出願は、2019年9月18日に出願された“COMPUTER-BASED SYSTEMS,COMPUTING COMPONENTS AND COMPUTING OBJECTS CONFIGURED TO IMPLEMENT DYNAMIC OUTLIER BIAS REDUCTION IN MACHINE LEARNING MODELS”という名称の米国仮出願第62/902,074号に対する優先権を主張するものであり、その全体が参照により本明細書に組み込まれる。
この特許文書の開示の一部は、著作権保護の対象となる資料を含んでいる。著作権所有者は、特許商標庁の特許ファイル又は記録に記載されているように、特許書類又は特許開示のいずれかによるファクシミリ複製に対して異論はないが、それ以外の場合は、全ての著作権を留保する。次の通知は、この文書の一部を構成する図面及び以下に記載されるソフトウェア及びデータに適用される。著作権、Hartford Steam Boiler Inspection and Insurance Company,無断複写複製転載禁止
xtestinとxtestoutであり、ここでは、それぞれICi=1又は0である。上記の情報によって、テストデータセットの分析のためのいくつかの可能な「完全データセット」予測モデルが作成される。いくつかの実施形態では、データセット全体に対して最も予測的な改善を示したのは以下の3つである。
a.DOBR_Model#1=[DOBR_Modeltestin,DOBR_Modeltestout]
b.DOBR_Model#2=[BaseModelyin,DOBR_Modeltestout]
c.DOBR_Model#3=[DOBR_Modeltestin,BaseModelyout]
i)ニューラルネットワークアーキテクチャ/モデルを定義する。
ii)入力データを例示的なニューラルネットワークモデルに転送する。
iii)模範的なモデルを段階的にトレーニングする。
iv)特定のタイムステップ数における精度を決定する。
v)新たに受信した入力データを処理するために、模範的なトレーニングされたモデルを適用する。
vi)選択的に、かつ並列的に、既定の周期性で模範的なトレーニングされたモデルをトレーニングし続ける。
米国特許出願第8195484号、Insurance product,rating system and methodという名称を有する。
米国特許出願第8548833号、Insurance product,rating system and methodという名称を有する。
米国特許出願第8554588号、Insurance product,rating system and methodという名称を有する。
米国特許出願第8554589号、Insurance product,rating system and methodという名称を有する。
米国特許出願第8595036号、Insurance product,rating system and methodという名称を有する。
米国特許出願第8676610号、Insurance product,rating system and methodという名称を有する。
米国特許出願第8719059号、Insurance product,rating system and methodという名称を有する。
米国特許出願第8812331号、Insurance product,rating and credit enhancement system and method for insuring project savingsという名称を有する。
[項目1]
少なくとも1つのプロセッサによって、少なくとも1つのユーザ活動に関する少なくとも1つの活動関連属性を表す目的変数のトレーニングデータセットを受信するステップと、
前記少なくとも1つのプロセッサによって、1つ以上の外れ値を決定するために使用される少なくとも1つの偏り基準を受信するステップと、
前記少なくとも1つのプロセッサによって、機械学習モデルに関するモデルパラメータのセットを決定するステップであって、
(1)前記少なくとも1つのプロセッサによって、初期モデルパラメータのセットを有する前記機械学習モデルを前記トレーニングデータセットに適用して、モデル予測値のセットを決定すること、
(2)前記少なくとも1つのプロセッサによって、前記モデル予測値のセットを前記トレーニングデータセットの対応する実際値と比較することによって、データ要素誤差の誤差セットを生成すること、
(3)前記少なくとも1つのプロセッサによって、前記データ要素誤差の誤差セット及び前記少なくとも1つの偏り基準に少なくとも部分的に基づいて、非外れ値目的変数を識別するためのデータ選択ベクトルを生成すること、
(4)前記少なくとも1つのプロセッサによって、前記トレーニングデータセットに対して前記データ選択ベクトルを利用して、非外れ値データセットを生成すること、
(5)前記少なくとも1つのプロセッサによって、前記非外れ値データセットに基づいて前記機械学習モデルに関する更新されたモデルパラメータのセットを決定すること、
(6)前記少なくとも1つのプロセッサによって、少なくとも1つの打ち切り実行終了基準が満たされるまで、反復としてステップ(1)~(5)を繰り返すことにより、前記更新されたモデルパラメータとして前記機械学習モデルに関する前記モデルパラメータのセットを取得することであって、これにより、各反復は、前記更新されたモデルパラメータのセットを前記初期モデルパラメータのセットとして使用して、前記予測値のセット、前記誤差セット、前記データ選択ベクトル、及び前記非外れ値データセットを再生成すること
を含むステップと、
前記少なくとも1つのプロセッサによって、前記トレーニングデータセット及び前記データ選択ベクトルに少なくとも部分的に基づいて、外れ値分類器機械学習モデルの分類器モデルパラメータのセットをトレーニングするステップであって、少なくとも1つの外れ値データ要素を識別するように構成されるトレーニングされた外れ値分類器機械学習モデルを取得するステップと、
前記少なくとも1つのプロセッサによって、前記トレーニングされた外れ値分類器機械学習モデルを、前記少なくとも1つのユーザ活動に関する活動関連データのデータセットに適用して、
i)前記活動関連データのデータセットにおいて外れ値活動関連データのセット、及び
ii)前記活動関連データのデータセットにおいて非外れ値活動関連データのセット
を決定するステップと、
前記少なくとも1つのプロセッサによって、前記機械学習モデルを前記非外れ値活動関連データ要素のセットに適用して、前記少なくとも1つのユーザ活動に関連する将来の活動関連属性を予測するステップと
を含む、方法。
[項目2]
ソフトウェア命令が記憶された非一時的なコンピュータ可読記憶媒体と通信する少なくとも1つのプロセッサを備えるシステムであって、
前記ソフトウェア命令は、実行されると、
前記少なくとも1つのプロセッサによって、少なくとも1つのユーザ活動に関する少なくとも1つの活動関連属性を表す目的変数のトレーニングデータセットを受信するステップと、
1つ以上の外れ値を決定するために使用される少なくとも1つの偏り基準を受信するステップと、
機械学習モデルに関するモデルパラメータのセットを決定するステップであって、
(1)初期モデルパラメータのセットを有する前記機械学習モデルを前記トレーニングデータセットに適用して、モデル予測値のセットを決定すること、
(2)前記モデル予測値のセットを前記トレーニングデータセットの対応する実際値と比較することによって、データ要素誤差の誤差セットを生成すること、
(3)前記データ要素誤差の誤差セット及び前記少なくとも1つの偏り基準に少なくとも部分的に基づいて、非外れ値目的変数を識別するためのデータ選択ベクトルを生成すること、
(4)前記トレーニングデータセットに対して前記データ選択ベクトルを利用して、非外れ値データセットを生成すること、
(5)前記非外れ値データセットに基づいて前記機械学習モデルに関する更新されたモデルパラメータのセットを決定すること、及び
(6)少なくとも1つの打ち切り実行終了基準が満たされるまで、反復としてステップ(1)~(5)を繰り返すことにより、前記更新されたモデルパラメータとして前記機械学習モデルに関する前記モデルパラメータのセットを取得することであって、これにより、各反復は、前記更新されたモデルパラメータのセットを前記初期モデルパラメータのセットとして使用して、前記予測値のセット、前記誤差セット、前記データ選択ベクトル、及び前記非外れ値データセットを再生成すること
を含むステップと、
前記トレーニングデータセット及び前記データ選択ベクトルに少なくとも部分的に基づいて、外れ値分類器機械学習モデルの分類器モデルパラメータのセットをトレーニングするステップであって、少なくとも1つの外れ値データ要素を識別するように構成されるトレーニングされた外れ値分類器機械学習モデルを取得するステップと、
前記トレーニングされた外れ値分類器機械学習モデルを、前記少なくとも1つのユーザ活動に関する活動関連データのデータセットに適用して、
i)前記活動関連データのデータセットにおいて外れ値活動関連データのセット、及び
ii)前記活動関連データのデータセットにおいて非外れ値活動関連データのセット
を決定するステップと、
前記機械学習モデルを前記非外れ値活動関連データ要素のセットに適用して、前記少なくとも1つのユーザ活動に関連する将来の活動関連属性を予測するステップと
を実行させる、システム。
[項目3]
前記少なくとも1つのプロセッサによって、前記データ選択ベクトルを前記トレーニングデータセットに適用して、外れ値トレーニングデータセットを決定するステップと、
前記少なくとも1つのプロセッサによって、前記外れ値トレーニングデータセットを使用して、少なくとも1つの外れ値固有機械学習モデルの少なくとも1つの外れ値固有モデルパラメータをトレーニングして、外れ値データ値を予測するステップと、
前記少なくとも1つのプロセッサによって、前記外れ値固有機械学習モデルを利用して、前記外れ値活動関連データのセットに関する外れ値活動関連データ値を予測するステップと
をさらに含む、項目1及び/又は2に記載のシステム及び方法。
[項目4]
前記少なくとも1つのプロセッサによって、前記トレーニングデータセットを使用して、一般化された機械学習モデルの一般化されたモデルパラメータをトレーニングして、データ値を予測するステップと、
前記少なくとも1つのプロセッサによって、前記一般化された機械学習モデルを利用して、前記外れ値活動関連データのセットに関する外れ値活動関連データ値を予測するステップと、
前記少なくとも1つのプロセッサによって、前記一般化された機械学習モデルを利用して、前記活動関連データ値を予測するステップと
をさらに含む、項目1及び/又は2に記載のシステム及び方法。
[項目5]
前記少なくとも1つのプロセッサによって、前記データ選択ベクトルを前記トレーニングデータセットに適用して、外れ値トレーニングデータセットを決定するステップと、
前記少なくとも1つのプロセッサによって、前記外れ値トレーニングデータセットを使用して、外れ値固有機械学習モデルの外れ値固有モデルパラメータをトレーニングして、外れ値データ値を予測するステップと、
前記少なくとも1つのプロセッサによって、前記トレーニングデータセットを使用して、一般化された機械学習モデルの一般化されたモデルパラメータをトレーニングして、データ値を予測するステップと、
前記少なくとも1つのプロセッサによって、前記外れ値固有機械学習モデルを利用して、前記外れ値活動関連データのセットに関する外れ値活動関連データ値を予測するステップと、
前記少なくとも1つのプロセッサによって、前記外れ値固有機械学習モデルを利用して、前記活動関連データ値を予測するステップと
をさらに含む、項目1及び/又は2に記載のシステム及び方法。
[項目6]
前記少なくとも1つのプロセッサによって、前記トレーニングデータセットを使用して、一般化された機械学習モデルの一般化されたモデルパラメータをトレーニングして、データ値を予測するステップと、
前記少なくとも1つのプロセッサによって、前記一般化された機械学習モデルを利用して、前記活動関連データのセットに関する前記活動関連データ値を予測するステップと、
前記少なくとも1つのプロセッサによって、前記外れ値分類器機械学習モデルを利用して、前記活動関連データ値の外れ値活動関連データ値を識別するステップと、
前記少なくとも1つのプロセッサによって、前記外れ値活動関連データ値を除去するステップと
をさらに含む、項目1及び/又は2に記載のシステム及び方法。
[項目7]
前記トレーニングデータセットは、コンクリート組成及びコンクリート硬化発現の関数としてのコンクリート圧縮強度の前記少なくとも1つの活動関連属性を含む、項目1及び/又は2に記載のシステム及び方法。
[項目8]
前記トレーニングデータセットは、家庭環境条件及び照明条件の関数としてのエネルギ使用データの前記少なくとも1つの活動関連属性を含む、項目1及び/又は2に記載のシステム及び方法。
[項目9]
前記少なくとも1つのプロセッサによって、少なくとも1つのデータ要素を有する予測を生成するためのAPI(アプリケーションプログラミングインターフェース)要求を受信するステップと、
前記少なくとも1つのプロセッサによって、前記機械学習モデルの実行をスケジュールするために少なくとも1つのクラウドコンピュータリソースをインスタンス化するステップと、
前記少なくとも1つのプロセッサによって、実行される前記スケジュールに従って、前記機械学習モデルを利用して、前記少なくとも1つのデータ要素に関する少なくとも1つの活動関連データ要素値を予測するステップと、
前記少なくとも1つのプロセッサによって、前記少なくとも1つの活動関連データ要素値を前記API要求に関連付けられるコンピュータ装置に戻すステップと
をさらに含む、項目1及び/又は2に記載のシステム及び方法。
[項目10]
前記トレーニングデータセットは、医療データセットの3次元患者画像の前記少なくとも1つの活動関連属性を含み、
前記機械学習モデルは、前記医療データセットに基づいて2つ以上の物理ベースのレンダリングパラメータを含む前記活動関連データ値を予測するように構成される、項目1及び/又は2に記載のシステム及び方法。
[項目11]
前記トレーニングデータセットは、電子機械コマンドに対してシミュレートされた制御結果の前記少なくとも1つの活動関連属性を含み、
前記機械学習モデルは、前記電子機械に対する制御コマンドを含む前記活動関連データ値を予測するように構成される、項目1及び/又は2に記載のシステム及び方法。
[項目12]
前記少なくとも1つのプロセッサによって、前記活動関連データのセットを活動関連データの複数のサブセットに分割するステップと、
前記少なくとも1つのプロセッサによって、前記活動関連データの前記複数のサブセットのうちの活動関連データの各サブセットに対するアンサンブルモデルを決定するステップであって、
前記機械学習モデルは、複数のモデルのアンサンブルを含み、
各アンサンブルモデルは、前記複数のモデルのアンサンブルからのモデルのランダムな組み合わせを含むステップと、
前記少なくとも1つのプロセッサによって、各アンサンブルモデルを利用して、個別にアンサンブル固有活動関連データ値を予測するステップと、
前記少なくとも1つのプロセッサによって、前記アンサンブル固有活動関連データ値及び既知の値に基づいて、各アンサンブルモデルにおける誤差を決定するステップと、
前記少なくとも1つのプロセッサによって、最小誤差に基づいて最高性能のアンサンブルモデルを選択するステップと
をさらに含む、項目1及び/又は2に記載のシステム及び方法。
Claims (20)
- 少なくとも1つのプロセッサによって、少なくとも1つのユーザ活動に関する少なくとも1つの活動関連属性を表す目的変数のトレーニングデータセットを受信するステップと、
前記少なくとも1つのプロセッサによって、1つ以上の外れ値を決定するために使用される少なくとも1つの偏り基準を受信するステップと、
前記少なくとも1つのプロセッサによって、機械学習モデルに関するモデルパラメータのセットを決定するステップであって、
(1)前記少なくとも1つのプロセッサによって、初期モデルパラメータのセットを有する前記機械学習モデルを前記トレーニングデータセットに適用して、モデル予測値のセットを決定すること、
(2)前記少なくとも1つのプロセッサによって、前記モデル予測値のセットを前記トレーニングデータセットの対応する実際値と比較することによって、データ要素誤差の誤差セットを生成すること、
(3)前記少なくとも1つのプロセッサによって、前記データ要素誤差の誤差セット及び前記少なくとも1つの偏り基準に少なくとも部分的に基づいて、非外れ値目的変数を識別するためのデータ選択ベクトルを生成すること、
(4)前記少なくとも1つのプロセッサによって、前記トレーニングデータセットに対して前記データ選択ベクトルを利用して、非外れ値データセットを生成すること、
(5)前記少なくとも1つのプロセッサによって、前記非外れ値データセットに基づいて前記機械学習モデルに関する更新されたモデルパラメータのセットを決定すること、
(6)前記少なくとも1つのプロセッサによって、少なくとも1つの打ち切り実行終了基準が満たされるまで、反復としてステップ(1)~(5)を繰り返すことにより、前記更新されたモデルパラメータとして前記機械学習モデルに関する前記モデルパラメータのセットを取得することであって、これにより、各反復は、前記更新されたモデルパラメータのセットを前記初期モデルパラメータのセットとして使用して、前記予測値のセット、前記誤差セット、前記データ選択ベクトル、及び前記非外れ値データセットを再生成すること
を含むステップと、
前記少なくとも1つのプロセッサによって、前記トレーニングデータセット及び前記データ選択ベクトルに少なくとも部分的に基づいて、外れ値分類器機械学習モデルの分類器モデルパラメータのセットをトレーニングするステップであって、少なくとも1つの外れ値データ要素を識別するように構成されるトレーニングされた外れ値分類器機械学習モデルを取得するステップと、
前記少なくとも1つのプロセッサによって、前記トレーニングされた外れ値分類器機械学習モデルを、前記少なくとも1つのユーザ活動に関する活動関連データのデータセットに適用して、
i)前記活動関連データのデータセットにおいて外れ値活動関連データのセット、及び
ii)前記活動関連データのデータセットにおいて非外れ値活動関連データのセット
を決定するステップと、
前記少なくとも1つのプロセッサによって、前記機械学習モデルを前記非外れ値活動関連データ要素のセットに適用して、前記少なくとも1つのユーザ活動に関連する将来の活動関連属性を予測するステップと
を含む、方法。 - 前記少なくとも1つのプロセッサによって、前記データ選択ベクトルを前記トレーニングデータセットに適用して、外れ値トレーニングデータセットを決定するステップと、
前記少なくとも1つのプロセッサによって、前記外れ値トレーニングデータセットを使用して、少なくとも1つの外れ値固有機械学習モデルの少なくとも1つの外れ値固有モデルパラメータをトレーニングして、外れ値データ値を予測するステップと、
前記少なくとも1つのプロセッサによって、前記外れ値固有機械学習モデルを利用して、前記外れ値活動関連データのセットに関する外れ値活動関連データ値を予測するステップと
をさらに含む、請求項1に記載の方法。 - 前記少なくとも1つのプロセッサによって、前記トレーニングデータセットを使用して、一般化された機械学習モデルの一般化されたモデルパラメータをトレーニングして、データ値を予測するステップと、
前記少なくとも1つのプロセッサによって、前記一般化された機械学習モデルを利用して、前記外れ値活動関連データのセットに関する外れ値活動関連データ値を予測するステップと、
前記少なくとも1つのプロセッサによって、前記一般化された機械学習モデルを利用して、前記活動関連データ値を予測するステップと
をさらに含む、請求項1に記載の方法。 - 前記少なくとも1つのプロセッサによって、前記データ選択ベクトルを前記トレーニングデータセットに適用して、外れ値トレーニングデータセットを決定するステップと、
前記少なくとも1つのプロセッサによって、前記外れ値トレーニングデータセットを使用して、外れ値固有機械学習モデルの外れ値固有モデルパラメータをトレーニングして、外れ値データ値を予測するステップと、
前記少なくとも1つのプロセッサによって、前記トレーニングデータセットを使用して、一般化された機械学習モデルの一般化されたモデルパラメータをトレーニングして、データ値を予測するステップと、
前記少なくとも1つのプロセッサによって、前記外れ値固有機械学習モデルを利用して、前記外れ値活動関連データのセットに関する外れ値活動関連データ値を予測するステップと、
前記少なくとも1つのプロセッサによって、前記一般化された機械学習モデルを利用して、前記活動関連データ値を予測するステップと
をさらに含む、請求項1に記載の方法。 - 前記少なくとも1つのプロセッサによって、前記トレーニングデータセットを使用して、一般化された機械学習モデルの一般化されたモデルパラメータをトレーニングして、データ値を予測するステップと、
前記少なくとも1つのプロセッサによって、前記一般化された機械学習モデルを利用して、前記活動関連データのセットに関する前記活動関連データ値を予測するステップと、
前記少なくとも1つのプロセッサによって、前記外れ値分類器機械学習モデルを利用して、前記活動関連データ値の外れ値活動関連データ値を識別するステップと、
前記少なくとも1つのプロセッサによって、前記外れ値活動関連データ値を除去するステップと
をさらに含む、請求項1に記載の方法。 - 前記トレーニングデータセットは、コンクリート組成及びコンクリート硬化発現の関数としてのコンクリート圧縮強度の前記少なくとも1つの活動関連属性を含む、請求項1に記載の方法。
- 前記トレーニングデータセットは、家庭環境条件及び照明条件の関数としてのエネルギ使用データの前記少なくとも1つの活動関連属性を含む、請求項1に記載の方法。
- 前記少なくとも1つのプロセッサによって、少なくとも1つのデータ要素を有する予測を生成するためのAPI(アプリケーションプログラミングインターフェース)要求を受信するステップと、
前記少なくとも1つのプロセッサによって、前記機械学習モデルの実行をスケジュールするために少なくとも1つのクラウドコンピュータリソースをインスタンス化するステップと、
前記少なくとも1つのプロセッサによって、実行される前記スケジュールに従って、前記機械学習モデルを利用して、前記少なくとも1つのデータ要素に関する少なくとも1つの活動関連データ要素値を予測するステップと、
前記少なくとも1つのプロセッサによって、前記少なくとも1つの活動関連データ要素値を前記API要求に関連付けられるコンピュータ装置に戻すステップと
をさらに含む、請求項1に記載の方法。 - 前記トレーニングデータセットは、医療データセットの3次元患者画像の前記少なくとも1つの活動関連属性を含み、
前記機械学習モデルは、前記医療データセットに基づいて2つ以上の物理ベースのレンダリングパラメータを含む前記活動関連データ値を予測するように構成される、請求項1に記載の方法。 - 前記トレーニングデータセットは、電子機械のコマンドに対してシミュレートされた制御結果の前記少なくとも1つの活動関連属性を含み、
前記機械学習モデルは、前記電子機械に対する制御コマンドを含む前記活動関連データ値を予測するように構成される、請求項1に記載の方法。 - 前記少なくとも1つのプロセッサによって、前記活動関連データのセットを活動関連データの複数のサブセットに分割するステップと、
前記少なくとも1つのプロセッサによって、前記活動関連データの複数のサブセットのうちの活動関連データの各サブセットに対するアンサンブルモデルを決定するステップであって、
前記機械学習モデルは、複数のモデルのアンサンブルを含み、
各アンサンブルモデルは、前記複数のモデルのアンサンブルからのモデルのランダムな組み合わせを含むステップと、
前記少なくとも1つのプロセッサによって、各アンサンブルモデルを利用して、個別にアンサンブル固有活動関連データ値を予測するステップと、
前記少なくとも1つのプロセッサによって、前記アンサンブル固有活動関連データ値及び既知の値に基づいて、各アンサンブルモデルにおける誤差を決定するステップと、
前記少なくとも1つのプロセッサによって、最小誤差に基づいて最高性能のアンサンブルモデルを選択するステップと
をさらに含む、請求項1に記載の方法。 - ソフトウェア命令が記憶された非一時的なコンピュータ可読記憶媒体と通信する少なくとも1つのプロセッサを備えるシステムであって、
前記ソフトウェア命令は、実行されると、前記少なくとも1つのプロセッサによって、
少なくとも1つのユーザ活動に関する少なくとも1つの活動関連属性を表す目的変数のトレーニングデータセットを受信するステップと、
1つ以上の外れ値を決定するために使用される少なくとも1つの偏り基準を受信するステップと、
機械学習モデルに関するモデルパラメータのセットを決定するステップであって、
(1)初期モデルパラメータのセットを有する前記機械学習モデルを前記トレーニングデータセットに適用して、モデル予測値のセットを決定すること、
(2)前記モデル予測値のセットを前記トレーニングデータセットの対応する実際値と比較することによって、データ要素誤差の誤差セットを生成すること、
(3)前記データ要素誤差の誤差セット及び前記少なくとも1つの偏り基準に少なくとも部分的に基づいて、非外れ値目的変数を識別するためのデータ選択ベクトルを生成すること、
(4)前記トレーニングデータセットに対して前記データ選択ベクトルを利用して、非外れ値データセットを生成すること、
(5)前記非外れ値データセットに基づいて前記機械学習モデルに関する更新されたモデルパラメータのセットを決定すること、
(6)少なくとも1つの打ち切り実行終了基準が満たされるまで、反復としてステップ(1)~(5)を繰り返すことにより、前記更新されたモデルパラメータとして前記機械学習モデルに関する前記モデルパラメータのセットを取得することであって、これにより、各反復は、前記更新されたモデルパラメータのセットを前記初期モデルパラメータのセットとして使用して、前記予測値のセット、前記誤差セット、前記データ選択ベクトル、及び前記非外れ値データセットを再生成すること
を含むステップと、
前記トレーニングデータセット及び前記データ選択ベクトルに少なくとも部分的に基づいて、外れ値分類器機械学習モデルの分類器モデルパラメータのセットをトレーニングするステップであって、少なくとも1つの外れ値データ要素を識別するように構成されるトレーニングされた外れ値分類器機械学習モデルを取得するステップと、
前記トレーニングされた外れ値分類器機械学習モデルを、前記少なくとも1つのユーザ活動に関する活動関連データのデータセットに適用して、
i)前記活動関連データのデータセットにおいて外れ値活動関連データのセット、及び
ii)前記活動関連データのデータセットにおいて非外れ値活動関連データのセット
を決定するステップと、
前記機械学習モデルを前記非外れ値活動関連データ要素のセットに適用して、前記少なくとも1つのユーザ活動に関連する将来の活動関連属性を予測するステップと
を実行させる、システム。 - 前記ソフトウェア命令は、実行されると、前記少なくとも1つのプロセッサによって、
前記データ選択ベクトルを前記トレーニングデータセットに適用して、外れ値トレーニングデータセットを決定するステップと、
前記外れ値トレーニングデータセットを使用して、少なくとも1つの外れ値固有機械学習モデルの少なくとも1つの外れ値固有モデルパラメータをトレーニングして、外れ値データ値を予測するステップと、
前記外れ値固有機械学習モデルを利用して、前記外れ値活動関連データのセットに関する外れ値活動関連データ値を予測するステップと
をさらに実行させる、請求項12に記載のシステム。 - 前記ソフトウェア命令は、実行されると、前記少なくとも1つのプロセッサによって、
前記トレーニングデータセットを使用して、一般化された機械学習モデルの一般化されたモデルパラメータをトレーニングして、データ値を予測するステップと、
前記一般化された機械学習モデルを利用して、前記外れ値活動関連データのセットに関する外れ値活動関連データ値を予測するステップと、
一般化された機械学習モデルを利用して、前記活動関連データ値を予測するステップと
をさらに実行させる、請求項12に記載のシステム。 - 前記ソフトウェア命令は、実行されると、前記少なくとも1つのプロセッサによって、
前記データ選択ベクトルを前記トレーニングデータセットに適用して、外れ値トレーニングデータセットを決定するステップと、
前記外れ値トレーニングデータセットを使用して、外れ値固有機械学習モデルの外れ値固有モデルパラメータをトレーニングして、外れ値データ値を予測するステップと、
前記トレーニングデータセットを使用して、一般化された機械学習モデルの一般化されたモデルパラメータをトレーニングして、データ値を予測するステップと、
前記外れ値固有機械学習モデルを利用して、前記外れ値活動関連データのセットに関する外れ値活動関連データ値を予測するステップと、
前記一般化された機械学習モデルを利用して、前記活動関連データ値を予測するステップと
をさらに実行させる、請求項12に記載のシステム。 - 前記ソフトウェア命令は、実行されると、前記少なくとも1つのプロセッサによって、
前記トレーニングデータセットを使用して、一般化された機械学習モデルの一般化されたモデルパラメータをトレーニングして、データ値を予測するステップと、
前記一般化された機械学習モデルを利用して、前記活動関連データのセットに関する前記活動関連データ値を予測するステップと、
前記外れ値分類器機械学習モデルを利用して、前記活動関連データ値の外れ値活動関連データ値を識別するステップと、
前記外れ値活動関連データ値を除去するステップと
をさらに実行させる、請求項12に記載のシステム。 - 前記トレーニングデータセットは、コンクリート組成及びコンクリート硬化発現の関数としてのコンクリート圧縮強度の前記少なくとも1つの活動関連属性を含む、請求項12に記載のシステム。
- 前記トレーニングデータセットは、家庭環境条件及び照明条件の関数としてのエネルギ使用データの前記少なくとも1つの活動関連属性を含む、請求項12に記載のシステム。
- 前記ソフトウェア命令は、実行されると、前記少なくとも1つのプロセッサによって、
少なくとも1つのデータ要素を有する予測を生成するためのAPI(アプリケーションプログラミングインターフェース)要求を受信するステップと、
前記機械学習モデルの実行をスケジュールするために少なくとも1つのクラウドコンピュータリソースをインスタンス化するステップと、
実行される前記スケジュールに従って、前記機械学習モデルを利用して、前記少なくとも1つのデータ要素に関する少なくとも1つの活動関連データ要素値を予測するステップと、
前記少なくとも1つの活動関連データ要素値を前記API要求に関連付けられるコンピュータ装置に戻すステップと
をさらに実行させる、請求項12に記載のシステム。 - 前記ソフトウェア命令は、実行されると、前記少なくとも1つのプロセッサによって、
前記活動関連データのセットを活動関連データの複数のサブセットに分割するステップと、
前記活動関連データの複数のサブセットのうちの活動関連データの各サブセットに対するアンサンブルモデルを決定するステップであって、
前記機械学習モデルは、複数のモデルのアンサンブルを含み、
各アンサンブルモデルは、前記複数のモデルのアンサンブルからのモデルのランダムな組み合わせを含むステップと、
各アンサンブルモデルを利用して、個別にアンサンブル固有活動関連データ値を予測するステップと、
前記アンサンブル固有活動関連データ値及び既知の値に基づいて、各アンサンブルモデルにおける誤差を決定するステップと、
最小誤差に基づいて最高性能のアンサンブルモデルを選択するステップと
をさらに実行させる、請求項12に記載のシステム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023205241A JP2024026276A (ja) | 2019-09-18 | 2023-12-05 | 機械学習モデルにおいて動的外れ値偏り低減を実装するように構成されるコンピュータベースシステム、コンピュータコンポーネント及びコンピュータオブジェクト |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962902074P | 2019-09-18 | 2019-09-18 | |
US62/902,074 | 2019-09-18 | ||
PCT/US2020/051627 WO2021055847A1 (en) | 2019-09-18 | 2020-09-18 | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023205241A Division JP2024026276A (ja) | 2019-09-18 | 2023-12-05 | 機械学習モデルにおいて動的外れ値偏り低減を実装するように構成されるコンピュータベースシステム、コンピュータコンポーネント及びコンピュータオブジェクト |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022548654A JP2022548654A (ja) | 2022-11-21 |
JP7399269B2 true JP7399269B2 (ja) | 2023-12-15 |
Family
ID=72717923
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022517214A Active JP7399269B2 (ja) | 2019-09-18 | 2020-09-18 | 機械学習モデルにおいて動的外れ値偏り低減を実装するように構成されるコンピュータベースシステム、コンピュータコンポーネント及びコンピュータオブジェクト |
JP2023205241A Pending JP2024026276A (ja) | 2019-09-18 | 2023-12-05 | 機械学習モデルにおいて動的外れ値偏り低減を実装するように構成されるコンピュータベースシステム、コンピュータコンポーネント及びコンピュータオブジェクト |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023205241A Pending JP2024026276A (ja) | 2019-09-18 | 2023-12-05 | 機械学習モデルにおいて動的外れ値偏り低減を実装するように構成されるコンピュータベースシステム、コンピュータコンポーネント及びコンピュータオブジェクト |
Country Status (13)
Country | Link |
---|---|
US (1) | US11288602B2 (ja) |
EP (2) | EP4022532A1 (ja) |
JP (2) | JP7399269B2 (ja) |
KR (2) | KR20220066924A (ja) |
CN (2) | CN114556382A (ja) |
AU (1) | AU2021343372A1 (ja) |
BR (1) | BR112022005003A2 (ja) |
CA (2) | CA3154671A1 (ja) |
DE (1) | DE112021004908T5 (ja) |
GB (4) | GB2625937A (ja) |
MX (1) | MX2023003217A (ja) |
NO (1) | NO20230419A1 (ja) |
WO (2) | WO2021055847A1 (ja) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9069725B2 (en) | 2011-08-19 | 2015-06-30 | Hartford Steam Boiler Inspection & Insurance Company | Dynamic outlier bias reduction system and method |
KR102503653B1 (ko) | 2014-04-11 | 2023-02-24 | 하트포드 스팀 보일러 인스펙션 앤드 인슈어런스 컴퍼니 | 시스템 조작 및 수행 데이터 모델링에 기초한 미래 신뢰도 예측 개선 |
US11636292B2 (en) | 2018-09-28 | 2023-04-25 | Hartford Steam Boiler Inspection And Insurance Company | Dynamic outlier bias reduction system and method |
US11615348B2 (en) | 2019-09-18 | 2023-03-28 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
US11328177B2 (en) * | 2019-09-18 | 2022-05-10 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
US11657323B2 (en) * | 2020-03-10 | 2023-05-23 | International Business Machines Corporation | Machine learning model accuracy fairness |
US11501239B2 (en) * | 2020-03-18 | 2022-11-15 | International Business Machines Corporation | Metric specific machine learning model improvement through metric specific outlier removal |
CN112231127A (zh) * | 2020-09-22 | 2021-01-15 | 深圳市裕展精密科技有限公司 | 电子装置及用于分析设备可靠度的方法 |
US20220189630A1 (en) * | 2020-12-14 | 2022-06-16 | Medtronic Minimed, Inc. | Machine learning models for detecting outliers and erroneous sensor use conditions and correcting, blanking, or terminating glucose sensors |
CN113176761B (zh) * | 2021-04-28 | 2022-09-06 | 西安电子科技大学 | 多加工特征薄板零件质量预测与工艺参数优化方法 |
CN113408742B (zh) * | 2021-06-24 | 2023-06-02 | 桂林理工大学 | 一种基于机器学习的高精度海表温度反演方法 |
CN113722813B (zh) * | 2021-07-20 | 2024-07-05 | 中科云谷科技有限公司 | 用于泵车臂架状况监测的方法、装置及泵车 |
WO2023049128A1 (en) * | 2021-09-21 | 2023-03-30 | Genentech, Inc. | Model routing and robust outlier detection |
US12021928B2 (en) * | 2021-09-27 | 2024-06-25 | Indian Institute Of Technology Delhi | System and method for optimizing data transmission in a communication network |
CN116802648A (zh) * | 2022-01-20 | 2023-09-22 | 维萨国际服务协会 | 使用监督和无监督机器学习模型的基于时间的聚合学习的***、方法和计算机程序产品 |
US11755863B1 (en) * | 2022-03-02 | 2023-09-12 | Ricoh Company, Ltd. | Ink estimation model updates for production printers |
US11775791B2 (en) * | 2022-03-02 | 2023-10-03 | Ricoh Company, Ltd. | Cloud-based parallel ink estimation for production printers |
US12032117B2 (en) | 2022-03-07 | 2024-07-09 | International Business Machines Corporation | Weather/climate model forecast bias explainability |
US20240119175A1 (en) * | 2022-04-22 | 2024-04-11 | Iqvia Inc. | Machine learning for data anonymization |
CN115460567B (zh) * | 2022-11-09 | 2023-03-24 | 清华大学 | 数据处理方法、装置、计算机设备和存储介质 |
CN116384257B (zh) * | 2023-05-29 | 2023-09-29 | 浙江大学 | 一种空分整装冷箱装配误差预测与公差优化方法 |
CN116625827B (zh) * | 2023-06-17 | 2024-01-23 | 广州市盛通建设工程质量检测有限公司 | 含钢渣细集料的混凝土抗压测试方法、装置、设备及介质 |
CN116843080B (zh) * | 2023-07-12 | 2024-03-19 | 济南明泉数字商务有限公司 | 一种基于机器学习的尿素生产碳元素足迹预测方法及*** |
CN117302236B (zh) * | 2023-09-27 | 2024-03-26 | 湖北天凯风林电子有限公司 | 一种基于深度学习的车辆状态监测方法及*** |
CN117251816A (zh) * | 2023-10-26 | 2023-12-19 | 南方电网能源发展研究院有限责任公司 | 碳排放数据的验证方法、装置、计算机设备和存储介质 |
CN117951627B (zh) * | 2024-03-21 | 2024-07-19 | 潍柴动力股份有限公司 | 一种时序数据预测方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004126868A (ja) | 2002-10-01 | 2004-04-22 | Nippon Steel Corp | 制御モデルの学習方法、制御モデルの学習装置、コンピュータプログラム、及びコンピュータ読み取り可能な記憶媒体 |
JP2014524629A (ja) | 2011-08-19 | 2014-09-22 | ハートフォード スチーム ボイラー インスペクション アンド インシュアランス カンパニー | 動的外れ値偏り低減システム及び方法 |
Family Cites Families (120)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS58160241U (ja) | 1982-04-21 | 1983-10-25 | 呉羽化学工業株式会社 | b型バツフル |
JPS59180731U (ja) | 1983-05-23 | 1984-12-03 | バブコツク日立株式会社 | 板状触媒水洗装置 |
JPH0336071Y2 (ja) | 1985-10-04 | 1991-07-31 | ||
JPH0227976Y2 (ja) | 1986-03-19 | 1990-07-27 | ||
JPH0313329Y2 (ja) | 1987-04-27 | 1991-03-27 | ||
US5339392A (en) | 1989-07-27 | 1994-08-16 | Risberg Jeffrey S | Apparatus and method for creation of a user definable video displayed document showing changes in real time data |
US6069324A (en) | 1995-10-12 | 2000-05-30 | Yazaki Corporation | Load deflecting degree computing apparatus and carrying weight computing apparatus for vehicle |
US7010336B2 (en) | 1997-08-14 | 2006-03-07 | Sensys Medical, Inc. | Measurement site dependent data preprocessing method for robust calibration and prediction |
US6085216A (en) | 1997-12-31 | 2000-07-04 | Xerox Corporation | Method and system for efficiently allocating resources for solving computationally hard problems |
JP2001318745A (ja) | 2000-05-11 | 2001-11-16 | Sony Corp | データ処理装置およびデータ処理方法、並びに記録媒体 |
US6847976B1 (en) | 2000-06-15 | 2005-01-25 | Terrence B. Peace | Method and apparatus for significance testing and confidence interval construction based on user-specified distribution |
US20040172401A1 (en) | 2000-06-15 | 2004-09-02 | Peace Terrence B. | Significance testing and confidence interval construction based on user-specified distributions |
US6832205B1 (en) | 2000-06-30 | 2004-12-14 | General Electric Company | System and method for automatically predicting the timing and costs of service events in a life cycle of a product |
US7124059B2 (en) | 2000-10-17 | 2006-10-17 | Accenture Global Services Gmbh | Managing maintenance for an item of equipment |
US6988092B1 (en) | 2000-12-28 | 2006-01-17 | Abb Research Ltd. | Method for evaluation of energy utilities |
US7043461B2 (en) | 2001-01-19 | 2006-05-09 | Genalytics, Inc. | Process and system for developing a predictive model |
US7039654B1 (en) | 2002-09-12 | 2006-05-02 | Asset Trust, Inc. | Automated bot development system |
US20030171879A1 (en) | 2002-03-08 | 2003-09-11 | Pittalwala Shabbir H. | System and method to accomplish pipeline reliability |
US7313550B2 (en) | 2002-03-27 | 2007-12-25 | Council Of Scientific & Industrial Research | Performance of artificial neural network models in the presence of instrumental noise and measurement errors |
US20070219741A1 (en) | 2005-05-20 | 2007-09-20 | Emilio Miguelanez | Methods and apparatus for hybrid outlier detection |
US20040122625A1 (en) | 2002-08-07 | 2004-06-24 | Nasser Loren A. | Apparatus and method for predicting total ownership cost |
JP4042492B2 (ja) | 2002-08-07 | 2008-02-06 | トヨタ自動車株式会社 | エンジン制御パラメータの適合方法及び適合システム |
US7634384B2 (en) | 2003-03-18 | 2009-12-15 | Fisher-Rosemount Systems, Inc. | Asset optimization reporting in a process plant |
WO2004111201A2 (en) | 2003-06-11 | 2004-12-23 | Research Foundation Of State University Of New York | Data classification using point-wise tests |
DE10331207A1 (de) | 2003-07-10 | 2005-01-27 | Daimlerchrysler Ag | Verfahren und Vorrichtung zur Vorhersage einer Ausfall-Häufigkeit |
WO2005015476A2 (en) | 2003-08-07 | 2005-02-17 | Hsb Solomon Associates, Llc | System and method for determining equivalency factors for use in comparative performance analysis of industrial facilities |
US20050125322A1 (en) | 2003-11-21 | 2005-06-09 | General Electric Company | System, method and computer product to detect behavioral patterns related to the financial health of a business entity |
US20050131794A1 (en) | 2003-12-15 | 2005-06-16 | Lifson Kalman A. | Stock portfolio and method |
EP1548623A1 (en) | 2003-12-23 | 2005-06-29 | Sap Ag | Outlier correction |
SG149899A1 (en) | 2004-02-06 | 2009-02-27 | Test Advantage Inc | Methods and apparatus for data analysis |
WO2005079261A2 (en) | 2004-02-13 | 2005-09-01 | Waters Investments Limited | System and method for tracking and quatitating chemical entites |
US7469228B2 (en) | 2004-02-20 | 2008-12-23 | General Electric Company | Systems and methods for efficient frontier supplementation in multi-objective portfolio analysis |
CA2501003C (en) | 2004-04-23 | 2009-05-19 | F. Hoffmann-La Roche Ag | Sample analysis to provide characterization data |
AU2005253651A1 (en) | 2004-06-21 | 2005-12-29 | Intersection Medical, Inc. | Cardiac monitoring system |
DE102004032822A1 (de) | 2004-07-06 | 2006-03-23 | Micro-Epsilon Messtechnik Gmbh & Co Kg | Verfahren zur Verarbeitung von Messwerten |
US20060069667A1 (en) | 2004-09-30 | 2006-03-30 | Microsoft Corporation | Content evaluation |
US7536364B2 (en) | 2005-04-28 | 2009-05-19 | General Electric Company | Method and system for performing model-based multi-objective asset optimization and decision-making |
US20060247798A1 (en) | 2005-04-28 | 2006-11-02 | Subbu Rajesh V | Method and system for performing multi-objective predictive modeling, monitoring, and update for an asset |
US8195484B2 (en) | 2005-06-15 | 2012-06-05 | Hartford Steam Boiler Inspection And Insurance Company | Insurance product, rating system and method |
US7966150B2 (en) | 2005-11-17 | 2011-06-21 | Florida Power & Light Company | Data analysis applications |
US8290753B2 (en) | 2006-01-24 | 2012-10-16 | Vextec Corporation | Materials-based failure analysis in design of electronic devices, and prediction of operating life |
WO2007117233A1 (en) | 2006-04-07 | 2007-10-18 | Hsb Solomon Associates, Llc | Emission trading product and method |
US7447611B2 (en) | 2006-05-09 | 2008-11-04 | Hsb Solomon Associates, Llc | Power generation performance analysis system and method |
US20100262442A1 (en) | 2006-07-20 | 2010-10-14 | Standard Aero, Inc. | System and method of projecting aircraft maintenance costs |
CA2662048A1 (en) | 2006-08-31 | 2008-03-06 | Non-Linear Medicine, Inc. | Automated noise reduction system for predicting arrhythmic deaths |
US8014591B2 (en) * | 2006-09-13 | 2011-09-06 | Aurilab, Llc | Robust pattern recognition system and method using socratic agents |
US20080104624A1 (en) | 2006-11-01 | 2008-05-01 | Motorola, Inc. | Method and system for selection and scheduling of content outliers |
JP5116307B2 (ja) | 2007-01-04 | 2013-01-09 | ルネサスエレクトロニクス株式会社 | 集積回路装置異常検出装置、方法およびプログラム |
US8346691B1 (en) | 2007-02-20 | 2013-01-01 | Sas Institute Inc. | Computer-implemented semi-supervised learning systems and methods |
WO2008126209A1 (ja) | 2007-03-27 | 2008-10-23 | Fujitsu Limited | 重回帰分析による予測モデルの作成方法、作成装置、作成プログラム |
US20080300888A1 (en) | 2007-05-30 | 2008-12-04 | General Electric Company | Systems and Methods for Providing Risk Methodologies for Performing Supplier Design for Reliability |
US7999741B2 (en) | 2007-12-04 | 2011-08-16 | Avaya Inc. | Systems and methods for facilitating a first response mission at an incident scene using precision location |
JP5003566B2 (ja) | 2008-04-01 | 2012-08-15 | 三菱電機株式会社 | ネットワーク性能予測システム、ネットワーク性能予測方法およびプログラム |
JP4991627B2 (ja) | 2008-05-16 | 2012-08-01 | 株式会社日立製作所 | 計画執行管理装置およびそのプログラム |
US8386412B2 (en) | 2008-12-12 | 2013-02-26 | At&T Intellectual Property I, L.P. | Methods and apparatus to construct histogram and wavelet synopses for probabilistic data |
US8509990B2 (en) | 2008-12-15 | 2013-08-13 | Panasonic Avionics Corporation | System and method for performing real-time data analysis |
US9111212B2 (en) | 2011-08-19 | 2015-08-18 | Hartford Steam Boiler Inspection And Insurance Company | Dynamic outlier bias reduction system and method |
JP5297855B2 (ja) | 2009-03-26 | 2013-09-25 | Dowaメタルテック株式会社 | 銅合金板材およびその製造方法 |
JP2010250674A (ja) | 2009-04-17 | 2010-11-04 | Nec Corp | 作業時間予測装置、方法、およびプログラム |
US10739741B2 (en) | 2009-06-22 | 2020-08-11 | Johnson Controls Technology Company | Systems and methods for detecting changes in energy usage in a building |
US8311772B2 (en) | 2009-12-21 | 2012-11-13 | Teradata Us, Inc. | Outlier processing |
CN107862463B (zh) | 2009-12-31 | 2021-09-28 | Abb瑞士股份有限公司 | 用于调度电厂的负载的方法和控制*** |
JP5581965B2 (ja) | 2010-01-19 | 2014-09-03 | オムロン株式会社 | Mppt制御器、太陽電池制御装置、太陽光発電システム、mppt制御プログラム、およびmppt制御器の制御方法 |
US20110246409A1 (en) | 2010-04-05 | 2011-10-06 | Indian Statistical Institute | Data set dimensionality reduction processes and machines |
CN102081765A (zh) | 2011-01-19 | 2011-06-01 | 西安交通大学 | 输电设备状态检修的***性控制方法 |
JP5592813B2 (ja) | 2011-01-28 | 2014-09-17 | 株式会社日立ソリューションズ東日本 | 生涯需要予測方法、プログラムおよび生涯需要予測装置 |
US10557840B2 (en) | 2011-08-19 | 2020-02-11 | Hartford Steam Boiler Inspection And Insurance Company | System and method for performing industrial processes across facilities |
CA2859833A1 (en) | 2011-12-08 | 2013-06-13 | Copperleaf Technologies Inc. | Capital asset investment planning apparatus, systems and methods |
US9158303B2 (en) | 2012-03-27 | 2015-10-13 | General Electric Company | Systems and methods for improved reliability operations |
US8812331B2 (en) | 2012-04-27 | 2014-08-19 | Richard B. Jones | Insurance product, rating and credit enhancement system and method for insuring project savings |
US8686364B1 (en) | 2012-09-17 | 2014-04-01 | Jp3 Measurement, Llc | Method and system for determining energy content and detecting contaminants in a fluid stream |
CA2843276A1 (en) | 2013-02-20 | 2014-08-20 | Hartford Steam Boiler Inspection And Insurance Company | Dynamic outlier bias reduction system and method |
US9536364B2 (en) | 2013-02-25 | 2017-01-03 | GM Global Technology Operations LLC | Vehicle integration of BLE nodes to enable passive entry and passive start features |
US9646262B2 (en) | 2013-06-17 | 2017-05-09 | Purepredictive, Inc. | Data intelligence using machine learning |
KR102503653B1 (ko) | 2014-04-11 | 2023-02-24 | 하트포드 스팀 보일러 인스펙션 앤드 인슈어런스 컴퍼니 | 시스템 조작 및 수행 데이터 모델링에 기초한 미래 신뢰도 예측 개선 |
US9568519B2 (en) | 2014-05-15 | 2017-02-14 | International Business Machines Corporation | Building energy consumption forecasting procedure using ambient temperature, enthalpy, bias corrected weather forecast and outlier corrected sensor data |
US9489630B2 (en) | 2014-05-23 | 2016-11-08 | DataRobot, Inc. | Systems and techniques for predictive data analytics |
US10452992B2 (en) | 2014-06-30 | 2019-10-22 | Amazon Technologies, Inc. | Interactive interfaces for machine learning model evaluations |
US20190050510A1 (en) | 2017-08-10 | 2019-02-14 | Clearag, Inc. | Development of complex agricultural simulation models from limited datasets |
US9996933B2 (en) | 2015-12-22 | 2018-06-12 | Qualcomm Incorporated | Methods and apparatus for outlier detection and correction of structured light depth maps |
US9760690B1 (en) | 2016-03-10 | 2017-09-12 | Siemens Healthcare Gmbh | Content-based medical image rendering based on machine learning |
JP6457421B2 (ja) | 2016-04-04 | 2019-01-23 | ファナック株式会社 | シミュレーション結果を利用して学習を行う機械学習装置,機械システム,製造システムおよび機械学習方法 |
US10198339B2 (en) | 2016-05-16 | 2019-02-05 | Oracle International Corporation | Correlation-based analytic for time-series data |
WO2018004580A1 (en) | 2016-06-30 | 2018-01-04 | Intel Corporation | Device-based anomaly detection using random forest models |
US11429859B2 (en) | 2016-08-15 | 2022-08-30 | Cangrade, Inc. | Systems and processes for bias removal in a predictive performance model |
US20190287039A1 (en) | 2016-10-20 | 2019-09-19 | Consolidated Research, Inc. | System and method for dynamically evaluating service provider performance |
US11315045B2 (en) | 2016-12-29 | 2022-04-26 | Intel Corporation | Entropy-based weighting in random forest models |
CN107391569B (zh) | 2017-06-16 | 2020-09-15 | 阿里巴巴集团控股有限公司 | 数据类型的识别、模型训练、风险识别方法、装置及设备 |
US10638979B2 (en) | 2017-07-10 | 2020-05-05 | Glysens Incorporated | Analyte sensor data evaluation and error reduction apparatus and methods |
US10474667B2 (en) | 2017-07-29 | 2019-11-12 | Vmware, Inc | Methods and systems to detect and correct outliers in a dataset stored in a data-storage device |
JP6837949B2 (ja) | 2017-09-08 | 2021-03-03 | 株式会社日立製作所 | 予測システム及び方法 |
US20190108561A1 (en) | 2017-10-05 | 2019-04-11 | Mindtree Ltd. | Purchase Intent Determination And Real Time In-store Shopper Assistance |
EP3483797A1 (en) | 2017-11-13 | 2019-05-15 | Accenture Global Solutions Limited | Training, validating, and monitoring artificial intelligence and machine learning models |
US10521654B2 (en) | 2018-03-29 | 2019-12-31 | Fmr Llc | Recognition of handwritten characters in digital images using context-based machine learning |
US20190313963A1 (en) * | 2018-04-17 | 2019-10-17 | VideaHealth, Inc. | Dental Image Feature Detection |
CN109299156A (zh) | 2018-08-21 | 2019-02-01 | 平安科技(深圳)有限公司 | 电子装置、基于XGBoost的电力数据异常预测方法及存储介质 |
US12001949B2 (en) | 2018-09-05 | 2024-06-04 | Sartorius Stedim Data Analytics Ab | Computer-implemented method, computer program product and system for data analysis |
US11636292B2 (en) | 2018-09-28 | 2023-04-25 | Hartford Steam Boiler Inspection And Insurance Company | Dynamic outlier bias reduction system and method |
US20200160229A1 (en) | 2018-11-15 | 2020-05-21 | Adobe Inc. | Creating User Experiences with Behavioral Information and Machine Learning |
US11204847B2 (en) | 2018-12-21 | 2021-12-21 | Microsoft Technology Licensing, Llc | Machine learning model monitoring |
US11797550B2 (en) | 2019-01-30 | 2023-10-24 | Uptake Technologies, Inc. | Data science platform |
CN113614756A (zh) | 2019-03-26 | 2021-11-05 | Hrl实验室有限责任公司 | 用于具有可编程人机混合集成学习的预报警报的***和方法 |
US11593650B2 (en) | 2019-03-27 | 2023-02-28 | GE Precision Healthcare LLC | Determining confident data samples for machine learning models on unseen data |
US11210587B2 (en) | 2019-04-23 | 2021-12-28 | Sciencelogic, Inc. | Distributed learning anomaly detector |
US20200387836A1 (en) | 2019-06-04 | 2020-12-10 | Accenture Global Solutions Limited | Machine learning model surety |
US11354602B2 (en) | 2019-06-04 | 2022-06-07 | Bank Of America Corporation | System and methods to mitigate poisoning attacks within machine learning systems |
US20200402665A1 (en) | 2019-06-19 | 2020-12-24 | GE Precision Healthcare LLC | Unplanned readmission prediction using an interactive augmented intelligent (iai) system |
CN110378386A (zh) | 2019-06-20 | 2019-10-25 | 平安科技(深圳)有限公司 | 基于有监督的无标记异常识别方法、装置及存储介质 |
WO2020260927A1 (en) | 2019-06-24 | 2020-12-30 | Telefonaktiebolaget Lm Ericsson (Publ) | Method for detecting uncommon input |
US11954610B2 (en) | 2019-08-09 | 2024-04-09 | GE Precision Healthcare LLC | Active surveillance and learning for machine learning model authoring and deployment |
CN110458374A (zh) | 2019-08-23 | 2019-11-15 | 山东浪潮通软信息科技有限公司 | 一种基于arima和svm的企业用电最大需量预测方法 |
CN110411957B (zh) | 2019-08-28 | 2021-11-19 | 北京农业质量标准与检测技术研究中心 | 水果货架期及新鲜程度的无损快速预测方法及装置 |
CN110543618A (zh) | 2019-09-05 | 2019-12-06 | 上海应用技术大学 | 基于概率密度函数估计的圆度不确定度评定方法 |
US20210135969A1 (en) | 2019-11-06 | 2021-05-06 | Centurylink Intellectual Property Llc | Predictive resource allocation in an edge computing network utilizing beacons |
CN110909822B (zh) | 2019-12-03 | 2022-11-11 | 中国科学院微小卫星创新研究院 | 一种基于改进的高斯过程回归模型的卫星异常检测方法 |
CN111080502B (zh) | 2019-12-17 | 2023-09-08 | 清华苏州环境创新研究院 | 一种区域企业数据异常行为的大数据识别方法 |
CN111157698B (zh) | 2019-12-24 | 2022-10-21 | 核工业北京地质研究院 | 一种利用发射率数据获取黑土土壤全钾含量的反演方法 |
CN111709447A (zh) | 2020-05-14 | 2020-09-25 | 中国电力科学研究院有限公司 | 电网异常检测方法、装置、计算机设备和存储介质 |
US11007891B1 (en) | 2020-10-01 | 2021-05-18 | Electricfish Energy Inc. | Fast electric vehicle charging and distributed grid resource adequacy management system |
CN112257963B (zh) | 2020-11-20 | 2023-08-29 | 北京轩宇信息技术有限公司 | 基于航天软件缺陷数据分布离群点的缺陷预测方法及装置 |
-
2020
- 2020-09-18 WO PCT/US2020/051627 patent/WO2021055847A1/en active Application Filing
- 2020-09-18 BR BR112022005003A patent/BR112022005003A2/pt unknown
- 2020-09-18 GB GB2402945.6A patent/GB2625937A/en active Pending
- 2020-09-18 GB GB2204238.6A patent/GB2603358B/en active Active
- 2020-09-18 CN CN202080072815.4A patent/CN114556382A/zh active Pending
- 2020-09-18 US US17/025,889 patent/US11288602B2/en active Active
- 2020-09-18 GB GB2310398.9A patent/GB2617045B/en active Active
- 2020-09-18 CA CA3154671A patent/CA3154671A1/en not_active Abandoned
- 2020-09-18 JP JP2022517214A patent/JP7399269B2/ja active Active
- 2020-09-18 EP EP20785887.9A patent/EP4022532A1/en not_active Withdrawn
- 2020-09-18 KR KR1020227012917A patent/KR20220066924A/ko unknown
-
2021
- 2021-03-18 KR KR1020237013175A patent/KR20230070272A/ko unknown
- 2021-03-18 NO NO20230419A patent/NO20230419A1/en unknown
- 2021-03-18 EP EP21718320.1A patent/EP4214652A1/en active Pending
- 2021-03-18 CN CN202180074814.8A patent/CN116569189A/zh active Pending
- 2021-03-18 AU AU2021343372A patent/AU2021343372A1/en active Pending
- 2021-03-18 WO PCT/US2021/022861 patent/WO2022060411A1/en active Application Filing
- 2021-03-18 DE DE112021004908.9T patent/DE112021004908T5/de active Pending
- 2021-03-18 CA CA3195894A patent/CA3195894A1/en active Pending
- 2021-03-18 GB GB2305640.1A patent/GB2614849A/en active Pending
- 2021-03-18 MX MX2023003217A patent/MX2023003217A/es unknown
-
2023
- 2023-12-05 JP JP2023205241A patent/JP2024026276A/ja active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004126868A (ja) | 2002-10-01 | 2004-04-22 | Nippon Steel Corp | 制御モデルの学習方法、制御モデルの学習装置、コンピュータプログラム、及びコンピュータ読み取り可能な記憶媒体 |
JP2014524629A (ja) | 2011-08-19 | 2014-09-22 | ハートフォード スチーム ボイラー インスペクション アンド インシュアランス カンパニー | 動的外れ値偏り低減システム及び方法 |
Non-Patent Citations (3)
Title |
---|
Anonymous authors,"ODIN: OUTLIER DETECTION IN NEURAL NETWORKS",OpenReview.net [online],2018年10月11日,pp.1-10,[2023年5月26日 検索], インターネット:<https://openreview.net/references/pdf?id=HJMnXH9K7> |
Heiko Paulheim et al.,"A decomposition of the outlier detection problem into a set of supervised learning problems",Machine Learning [online],Springer,2015年06月20日,No.100,pp.509-531,[2023年5月26日 検索], インターネット:<URL:https://link.springer.com/article/10.1007/s10994-015-5507-y> |
Yezheng Liu et al.,"Generative Adversarial Active Learning for Unsupervised Outlier Detection",arXiv.org [online],arXiv:1809.10816v4,Cornell University,2019年03月,pp.1-13,[2023年5月26日 検索], インターネット:<URL: https://arxiv.org/abs/1809.10816v4> |
Also Published As
Publication number | Publication date |
---|---|
GB202402945D0 (en) | 2024-04-17 |
GB2625937A (en) | 2024-07-03 |
CN114556382A (zh) | 2022-05-27 |
US20210110313A1 (en) | 2021-04-15 |
JP2022548654A (ja) | 2022-11-21 |
EP4214652A1 (en) | 2023-07-26 |
GB202305640D0 (en) | 2023-05-31 |
GB2617045A (en) | 2023-09-27 |
BR112022005003A2 (pt) | 2022-09-06 |
WO2021055847A1 (en) | 2021-03-25 |
GB2603358B (en) | 2023-08-30 |
GB202204238D0 (en) | 2022-05-11 |
US11288602B2 (en) | 2022-03-29 |
GB2617045B (en) | 2024-05-01 |
KR20220066924A (ko) | 2022-05-24 |
CA3195894A1 (en) | 2022-03-24 |
AU2021343372A1 (en) | 2023-05-04 |
MX2023003217A (es) | 2023-06-22 |
CN116569189A (zh) | 2023-08-08 |
DE112021004908T5 (de) | 2023-07-06 |
CA3154671A1 (en) | 2021-03-25 |
GB2614849A (en) | 2023-07-19 |
WO2022060411A1 (en) | 2022-03-24 |
EP4022532A1 (en) | 2022-07-06 |
JP2024026276A (ja) | 2024-02-28 |
KR20230070272A (ko) | 2023-05-22 |
GB2603358A (en) | 2022-08-03 |
NO20230419A1 (en) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7399269B2 (ja) | 機械学習モデルにおいて動的外れ値偏り低減を実装するように構成されるコンピュータベースシステム、コンピュータコンポーネント及びコンピュータオブジェクト | |
US11599740B2 (en) | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models | |
US11615348B2 (en) | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models | |
Chang et al. | Towards a reuse strategic decision pattern framework–from theories to practices | |
US8364613B1 (en) | Hosting predictive models | |
US20190057284A1 (en) | Data processing apparatus for accessing shared memory in processing structured data for modifying a parameter vector data structure | |
WO2019015631A1 (zh) | 生成机器学习样本的组合特征的方法及*** | |
US11023819B2 (en) | Machine-learning models applied to interaction data for facilitating experience-based modifications to interface elements in online environments | |
US11443202B2 (en) | Real-time on the fly generation of feature-based label embeddings via machine learning | |
CN111369344B (zh) | 一种动态生成预警规则的方法和装置 | |
CN108694232B (zh) | 一种基于信任关系特征学习的社会化推荐方法 | |
Ma et al. | Heterogeneous graph neural network for multi-behavior feature-interaction recommendation | |
Korstanje | Machine Learning for Streaming Data with Python: Rapidly build practical online machine learning solutions using River and other top key frameworks | |
RU2813245C1 (ru) | Компьютерные системы, вычислительные компоненты и вычислительные объекты, выполненные с возможностью реализации уменьшения обусловленного выбросовыми значениями динамического отклонения в моделях машинного обучения | |
JP2024504179A (ja) | 人工知能推論モデルを軽量化する方法およびシステム | |
Xu et al. | An Online Prediction Framework for Dynamic Service-Generated QoS Big Data | |
Maurice | Introduction: big data, auto machine learning, and data streams | |
US20230195842A1 (en) | Automated feature engineering for predictive modeling using deep reinforcement learning | |
US20230229793A1 (en) | Intelligent estimation of onboarding times for managed services | |
Volokyta et al. | Method of Automatic Depersonalization of Databases for Application in Machine Learning Problems | |
Li et al. | Navigating the Future of Federated Recommendation Systems with Foundation Models | |
CN115564560A (zh) | 风险评估方法、装置和存储介质 | |
CN118200168A (zh) | 网络流量预测方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220513 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230526 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230606 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230713 |
|
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: 20231017 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20231116 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231205 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7399269 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |