-
公开(公告)号：CN119785070A
公开(公告)日：2025-04-08
申请号：CN202411690030.X
申请日：2024-11-25
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/774 , G06N3/084 , G06V10/82
Abstract: 本发明提供了一种基于AUC优化的锐度感知最小化的图像分类训练方法，本发明的技术方案通过对锐度感知最小化技术中所采用的扰动进行调整，利用预设的加扰超参数对关于模型参数的第一梯度进行映射，确定模型参数对应的扰动，从而避免实例级形式I‑AUC与锐度感知最小化技术的直接的适配所导致的复杂的极小极大‑极小极大优化问题，有效降低模型训练的时间，减少能源的消耗；同时，借助锐度感知最小化技术，有效提升了模型的泛化能力。
-
公开(公告)号：CN117975124A
公开(公告)日：2024-05-03
申请号：CN202410082638.8
申请日：2024-01-19
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/047 , G06N3/08
Abstract: 本发明提供一种医疗图像分类模型训练方法，包括：S1、从目标诊疗场景中采样多个诊疗错误的医疗图像以构建经验代价集，其中，所述经验代价集包括多个正常医疗图像和多个异常医疗图像，且每个正常医疗图像和每个异常医疗图像均对应一个误分类代价，所述误分类代价为其对应的正常医疗图像或异常医疗图像诊疗错误所造成的经济损失；S2、从所述目标诊疗场景中采样多个医疗图像以构建训练集，所述训练集中包括多个正常医疗图像和多个异常医疗图像，且所述每个正常医疗图像的标签为无病，所述每个异常医疗图像的标签为有病；S3、根据所述经验代价集确定分类阈值，并基于分类阈值采用所述训练集对医疗图像分类模型进行多轮迭代训练直至收敛。
-
公开(公告)号：CN117422903A
公开(公告)日：2024-01-19
申请号：CN202311286397.0
申请日：2023-10-07
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/084
Abstract: 本发明提供一种用于图像分类模型的不平衡学习方法，包括：获取各类别样本量不平衡的图像分类的训练集；获取基于神经网络构建的图像分类模型；以初始化后的模型为基础，重复按照以下方式对模型进行多次迭代训练，得到经训练的模型：从练集采样一个批次的样本图像，并输入当前的模型；利用当前的模型确定输入的样本图像的分类结果，分类结果包括对应图像在各个类别的得分；根据当前采样的次数确定当前的训练阶段为前期还是后期，在前期和后期分别对预设的损失函数中的得分调整项和重加权项进行不同配置，得到按训练阶段配置的损失函数；利用按训练阶段配置的损失函数，根据当前批次的样本图像的分类结果和对应的标签计算损失，更新当前模型的参数。
-
公开(公告)号：CN117333737A
公开(公告)日：2024-01-02
申请号：CN202311294438.0
申请日：2023-10-08
Applicant: 中国科学院计算技术研究所
IPC: G06V10/774 , G06V10/764 , G06V10/40 , G06V10/82 , G06N3/094 , G06N3/04
Abstract: 本发明提供了一种基于可验证鲁棒AUC的端到端对抗训练方法，包括：获取具有长尾分布的图像分类的训练集，其包括多个原始样本和标签；利用训练集，按照以下方式对图像分类模型进行多次迭代训练，得到经训练的图像分类模型：基于标签，针对每个类别，将训练集中属于该类别的每个原始样本作为一个正样本与每个负样本组成一个该类别的原始样本对；针对样本对集合的每个类别的每个原始样本对，构造一个与之对应的该类别的扰动样本对，扰动样本对中的扰动正样本和扰动负样本是对应的原始样本对中的正样本和负样本分别加上本次训练时根据预设的正态分布随机采样得到的同一个扰动矩阵得到；将所有的扰动正样本和扰动负样本输入图像分类模型基于AUC训练模型。
-
公开(公告)号：CN116721311A
公开(公告)日：2023-09-08
申请号：CN202310760402.0
申请日：2023-06-26
Applicant: 中国科学院计算技术研究所
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明提供一种图像分类模型的训练方法及基于此的图像分类方法，其中，图像分类模型的训练方法包括：S1、获取封闭域训练数据，其包括多个封闭域样本图像和指示封闭域样本图像所属已知类别的标签；S2、利用步骤S1获得的封闭域训练数据将模型训练至收敛，训练时，获取总损失，其包括封闭域分类损失和AUROC目标损失，所述AUROC目标损失被配置为用于指导模型训练以期望在相应封闭域样本图像的特征输入分类器后被正确分类的情况下，被正确分类的封闭域样本图像的特征在超未知类上的置信度小于开放域样本特征在超未知类上的置信度。本发明可约束图像分类模型的性能满足开放域识别任务中的图像分类子任务的优化目标。
-
Patent Agency Ranking
公开(公告)号：CN112270571B
公开(公告)日：2023-06-27
申请号：CN202011209043.2
申请日：2020-11-03
Applicant: 中国科学院计算技术研究所
IPC: G06Q30/0242 , G06Q10/04 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种用于冷启动广告点击率预估模型的元模型训练方法，包括：S1、构建初始元模型并初始化元模型的参数；S2、获取未被点击过的未知广告组成的数据集，其中，每一个未知广告对应一个任务；S3、使用步骤S2中的数据集对元模型进行多轮训练直至收敛。本发明将每个已知任务的权重作为可学习的参数，并将加权后的任务分布和原始经验分布之间的卡方散度作为约束条件，形成了一种对于任务难度自适应的元学习损失函数。一方面，通过在训练过程中动态平衡各个任务的权重，从原本被忽略的难任务中挖掘到更多的有效知识，从而提升了模型的整体性能。另一方面，通过将任务权重和模型其他参数的学习问题建模为最大‑最小优化问题，利用GDmax算法对其进行了有效的求解，可以快速的达到收敛。
-
公开(公告)号：CN114861764B
公开(公告)日：2024-11-22
申请号：CN202210376289.1
申请日：2022-04-11
Applicant: 中国科学院计算技术研究所
IPC: G06F18/2431 , G06F18/241 , G06N3/09 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明提出一种基于AUC优化的多类别分类方法，包括：构建多类别场景的初始多分类器；根据该多类别场景的AUC指标构建多分类器AUC指标，并构建该多分类器AUC指标的损失函数；对该损失函数进行优化；通过优化后的损失函数对该初始多分类器进行训练，以得到最终分类器；以该最终分类器在该多类别场景下进行多类别分类。
-
公开(公告)号：CN118982719A
公开(公告)日：2024-11-19
申请号：CN202411121102.9
申请日：2024-08-15
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明提供了一种用于训练图像分类模型的方法，包括：获取当前批次的样本，该批次的样本构成的集合具有长尾分布的性质；将当前批次的样本图像输入模型，利用模型参数确定输入图像的第一分类预测值，根据第一分类预测值、标签和总损失函数确定第一梯度，总损失函数为原始损失函数减去加权系数乘以锐度优化损失函数；根据当前批次中属于每个类别的样本图像对应的第一分类预测值和标签，确定模型参数对应的扰动；将模型参数与扰动相加，得到扰动参数；将当前批次的样本图像输入模型，利用模型的扰动参数确定输入图像的第二分类预测值，根据第二分类预测值、标签和锐度优化损失函数，确定第二梯度；根据第一梯度和第二梯度，更新所述模型参数。
-
公开(公告)号：CN112184391B
公开(公告)日：2023-10-10
申请号：CN202011109159.9
申请日：2020-10-16
Applicant: 中国科学院计算技术研究所
IPC: G06Q30/0601 , G06F16/9535 , G06N3/04 , G06N3/08
Abstract: 本发明实施例提供了一种推荐模型的训练方法、介质、电子设备和推荐模型，训练方法包括A1、构建推荐模型、损失构建模块和多目标优化模块；A2、获取不同用户的商品交互记录，根据用户属性设置不同的用户组；A3、利用商品交互记录对推荐模型进行多次迭代训练至收敛，其中，每次训练包括：A31、用推荐模型从本次获取的商品交互记录中学习用户对商品的决策过程，获取用户对所有商品的偏好概率；A32、基于用户对所有商品的偏好概率，损失构建模块构建第一损失函数用于计算针对不同用户的推荐准确性损失以及构建连续可微的第二损失函数用于计算针对不同的用户组的推荐公平性损失；A33、多目标优化模块根据推荐准确性损失和推荐公平性损失确定参数更新方向。
-
公开(公告)号：CN116308618A
公开(公告)日：2023-06-23
申请号：CN202310055941.4
申请日：2023-01-18
Applicant: 中国科学院计算技术研究所
IPC: G06Q30/0601 , G06Q30/0251 , G06N20/00
Abstract: 本发明提供一种推荐模型的训练方法，所述方法包括：S1、获取训练集；S2、利用步骤S1中获得的训练集对推荐模型进行多轮训练直至收敛，且每轮训练包括：S21、获取该用户对应的多个兴趣表征向量，获取该商品对应的属性表征向量；S22、将所有用户的所有兴趣表征向量和所有商品的属性表征向量分别映射到度量空间，以获得每个用户对应的所有兴趣映射向量和每个商品对应的属性映射向量；S23、依次计算每个商品的属性映射向量与每一个用户的所有兴趣映射向量之间的距离并确定每个商品的属性映射向量与每一个用户的所有兴趣映射向量之间的距离中的最小距离；S24、基于步骤S23中获得的最小距离计算偏好损失；S25、基于步骤S24中获得的损失更新推荐模型的参数。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.039 seconds)
