通过强化学习的公平性改进
    2.
    发明公开

    公开(公告)号:CN113692594A

    公开(公告)日:2021-11-23

    申请号:CN202080027018.4

    申请日:2020-03-18

    Abstract: 可以提供一种用于提高有监督机器学习模型中的公平性的计算机实现的方法。该方法包括将有监督机器学习模型链接到强化学习元模型,选择超参数的列表和有监督机器学习模型的参数,以及通过由涉及强化学习元模型的强化学习引擎基于多个冲突的目标函数计算奖励函数来调整所述超参数的列表的超参数值和有监督机器学习模型的参数的参数值,控制有监督机器学习模型的至少一个方面。该方法进一步包括迭代地重复选择和控制的步骤,用于改进有监督机器学习模型的公平性值。

    链接和处理不同的知识图
    3.
    发明公开

    公开(公告)号:CN113490930A

    公开(公告)日:2021-10-08

    申请号:CN202080017035.X

    申请日:2020-02-19

    Abstract: 提供了一种用于在存在第三知识图(KG)的情况下链接第一KG和第二KG的方法。将第一KG的节点的内容与第二KG的节点进行比较。如果第一KG节点与相关的第二KG节点具有内容关系,则在元层KG中存储由识别第一KG和第一KG节点的元组以及识别第二KG和第二KG节点的元组识别的边。所述方法包括将来自第三KG的节点的内容与来自第一KG和第二KG的节点的内容进行比较,并且在识别出关系的情况下,存储在元层中建立该关系的更复杂的元组。最后,该方法还包括存储元层知识图的至少所有节点和边。

    用于人工智能的对罕见训练数据计数

    公开(公告)号:CN113826113A

    公开(公告)日:2021-12-21

    申请号:CN202080033660.3

    申请日:2020-04-28

    Abstract: 可以提供一种针对未充分表示的类别的用于增强分类器预测的系统。利用训练数据进行训练以构建模型的分类器系统用于对未知输入数据进行分类,并且评估器引擎被适配用于确定未充分表示的类。另外,该系统包括一个提取器引擎和一个相似性引擎,该提取器引擎被适配为从另外的源提取相关数据,该相似性引擎被适配为从该相关数据中选择数据集,其中该相似性引擎还被适配为将该相关数据的特征与用于该未充分表示的类别的代表性数据集的特征进行比较。最后,所述系统包括递归单元,所述递归单元被适配成用于触发所述评估器引擎,所述提取器引擎和所述相似性引擎将所选择的数据集合作为输入数据,直到所述评估器引擎以高于置信度阈值水平的置信度水平对所述所选择的数据集合进行分类。

    通过在基本知识图上叠加来构造不连贯节点

    公开(公告)号:CN111386520A

    公开(公告)日:2020-07-07

    申请号:CN201880076481.0

    申请日:2018-11-23

    Abstract: 一种用于构建知识图的计算机程序产品、系统和方法可以包括:接收多个新节点;接收具有通过现有边选择性地连接的现有节点的基本知识图;以及将新节点叠加到基本知识图的现有节点中的所选节点上。该方法还可以包括:如果下面的基本知识图中的对应现有节点具有经由零或预定最大数目的现有边的连接,则通过在新节点中的至少两个新节点之间创建具有新权重的新边来连接新节点,其中基于对应现有节点之间的连接的现有边的现有权重来确定新权重;以及从基本知识图分离具有新边的新节点。

Patent Agency Ranking