减轻对于模型的同时预测和优化的对抗性攻击

    公开(公告)号:CN117425902A

    公开(公告)日:2024-01-19

    申请号:CN202280039346.5

    申请日:2022-06-21

    Abstract: 公开了一种用于提供对抗性机器学习模型的预测和优化的方法。所述方法可以包括用于确定最优量的对抗性训练的防卫者的训练方法,所述最优量的对抗性训练将防止任务优化模型采取由来自到同时预测和优化框架中的模型的输入的对抗性攻击引起的错误决策。本质上,该方法将经由对抗性训练来训练鲁棒模型。基于鲁棒训练模型,用户可以通过(基于任务的优化模型中的对抗性噪声)基于来自由输入产生的机器学习预测的给定输入来减轻潜在威胁。

    并行机器学习模型的公平同步比较

    公开(公告)号:CN117461039A

    公开(公告)日:2024-01-26

    申请号:CN202280031305.1

    申请日:2022-03-04

    Abstract: 一种使用计算设备来比较多个算法的性能的方法,该方法包括由计算设备接收多个算法以进行评估。计算设备还接收要分配给多个算法的资源总量。计算设备还将资源总量的公平份额分配给多个算法中的每个算法。计算设备还使用所分配的资源总量的公平份额来执行多个算法中的每个算法。计算设备还基于描述用于多个算法中的每个算法的任何给定资源分配的硬件相对效用的多个硬件相对效用度量中的至少一个硬件相对效用度量,比较多个算法中的每个算法的性能。

    使用三维变换执行多元时间序列预测

    公开(公告)号:CN112215390A

    公开(公告)日:2021-01-12

    申请号:CN202010661458.7

    申请日:2020-07-10

    Abstract: 根据一个实施例的一种计算机实现的方法包括:接收历史二维(2D)多元时间序列数据;将历史2D多元时间序列数据变换为三维(3D)时间张量;利用3D时间张量训练一个或多个深度体积3D卷积神经网络(CNN);以及利用该一个或多个经训练的深度体积3D CNN预测附加多元时间序列数据的未来值。

Patent Agency Ranking