-
公开(公告)号：CN112912901A
公开(公告)日：2021-06-04
申请号：CN201880098669.5
申请日：2018-10-18
Applicant: 富士通株式会社
IPC: G06N3/08
Abstract: 本发明涉及学习程序、学习方法以及学习装置。学习装置向学习完毕的学习模型输入作为学习对象的输入数据。而且，按照输入至学习模型的每个输入数据，学习装置根据多个特征量，使用与多个特征量中的每个特征量对应的多个恢复器来生成恢复数据，其中，与各输入数据对应地由学习模型生成上述多个特征量。之后，学习装置使多个恢复器学习，以使由多个恢复器分别生成的多个恢复数据中每个数据与输入数据接近。
-
公开(公告)号：CN111507934A
公开(公告)日：2020-08-07
申请号：CN202010071123.X
申请日：2020-01-21
Applicant: 富士通株式会社
Abstract: 本发明涉及训练设备、训练方法和计算机可读记录介质。一种异常检测设备执行用于生成器和鉴别器的训练，使得生成器使鉴别器的鉴别误差最大化，并且鉴别器使鉴别误差最小化。异常检测设备在训练正被执行时，存储经半训练并且满足预设条件的生成器的状态，并且通过使用由具有所存储的状态的经半训练的生成器生成的图像对鉴别器进行再训练。
-
公开(公告)号：CN111445021A
公开(公告)日：2020-07-24
申请号：CN202010026938.6
申请日：2020-01-10
Applicant: 富士通株式会社
IPC: G06N3/08
Abstract: 提供了学习方法、学习设备和计算机可读记录介质。学习设备基于原始训练数据中包括的非存储目标信息对原始训练数据进行扩展，以生成多个扩展训练数据。学习设备通过将所述多个扩展训练数据输入到学习模型，生成多个中间特征值。学习设备学习该学习模型的参数，使得：关于所述多个中间特征值，根据从参考训练数据扩展的多个扩展训练数据生成的所述多个中间特征值中的每一个变得与参考特征值相似。
-
公开(公告)号：CN111508588A
公开(公告)日：2020-08-07
申请号：CN202010075042.7
申请日：2020-01-22
Applicant: 富士通株式会社
Abstract: 公开了一种训练装置、训练方法和计算机可读记录介质。异常检测装置包括被配置成生成多条图像数据的生成器、被配置成鉴别由生成器生成的图像数据是真还是假的鉴别器以及被配置成训练生成器和鉴别器的训练单元。训练单元被配置成：训练生成器，使得生成器在生成所述多条图像数据以使鉴别器的鉴别误差最大化时相对于所述多条图像数据以固定比率生成用于降低鉴别误差的至少一条指定图像数据；以及基于所述多条图像数据和所述至少一条指定图像数据，训练鉴别器以使鉴别误差最小化。
-
公开(公告)号：CN111444935A
公开(公告)日：2020-07-24
申请号：CN202010021677.9
申请日：2020-01-09
Applicant: 富士通株式会社
Abstract: 提供了学习方法、计算机可读记录介质和学习装置。学习装置对学习模型的至少一个参数进行学习，使得每个中间特征量变得与参考特征量相似，每个中间特征量是作为将多个扩充训练数据集输入至学习模型中的第一神经网络的结果而计算的，多个扩充训练数据是通过基于相同的第一原始训练数据执行数据扩充而生成的。学习装置使用不同于第一原始训练数据的第二原始训练数据并且使用参考特征量来学习学习模型中的第二网络的至少一个参数。
-
Patent Agency Ranking
公开(公告)号：CN111507934B
公开(公告)日：2024-04-26
申请号：CN202010071123.X
申请日：2020-01-21
Applicant: 富士通株式会社
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/0475 , G06N3/045 , G06N3/094
Abstract: 本发明涉及训练设备、训练方法和计算机可读记录介质。一种异常检测设备执行用于生成器和鉴别器的训练，使得生成器使鉴别器的鉴别误差最大化，并且鉴别器使鉴别误差最小化。异常检测设备在训练正被执行时，存储经半训练并且满足预设条件的生成器的状态，并且通过使用由具有所存储的状态的经半训练的生成器生成的图像对鉴别器进行再训练。
-
公开(公告)号：CN111508588B
公开(公告)日：2024-03-15
申请号：CN202010075042.7
申请日：2020-01-22
Applicant: 富士通株式会社
IPC: G16H30/00 , G06V10/82 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 公开了一种训练装置、训练方法和计算机可读记录介质。异常检测装置包括被配置成生成多条图像数据的生成器、被配置成鉴别由生成器生成的图像数据是真还是假的鉴别器以及被配置成训练生成器和鉴别器的训练单元。训练单元被配置成：训练生成器，使得生成器在生成所述多条图像数据以使鉴别器的鉴别误差最大化时相对于所述多条图像数据以固定比率生成用于降低鉴别误差的至少一条指定图像数据；以及基于所述多条图像数据和所述至少一条指定图像数据，训练鉴别器以使鉴别误差最小化。
-
公开(公告)号：CN110637309A
公开(公告)日：2019-12-31
申请号：CN201880028353.9
申请日：2018-04-20
Applicant: 富士通株式会社
Abstract: 模拟装置是使用第一推断器和第二推断器的推断装置，其中，第一推断器根据基于过去的数据学习的结果值来推断参数值，第二推断器根据参数值推断结果值。模拟装置根据由第一推断器和第二推断器使用特定的结果值、或者处于特定的结果值的附近的附近结果值推断出的重构值和所输入的结果值来计算重构误差。模拟装置搜索使根据所输入的结果值和特定的结果值计算的代替误差与重构误差的和最小的第一结果值。模拟装置输出使用第一推断器根据第一结果值推断的参数值。
-
公开(公告)号：CN111445021B
公开(公告)日：2024-03-22
申请号：CN202010026938.6
申请日：2020-01-10
Applicant: 富士通株式会社
IPC: G06N3/084
Abstract: 提供了学习方法、学习设备和计算机可读记录介质。学习设备基于原始训练数据中包括的非存储目标信息对原始训练数据进行扩展，以生成多个扩展训练数据。学习设备通过将所述多个扩展训练数据输入到学习模型，生成多个中间特征值。学习设备学习该学习模型的参数，使得：关于所述多个中间特征值，根据从参考训练数据扩展的多个扩展训练数据生成的所述多个中间特征值中的每一个变得与参考特征值相似。
-
公开(公告)号：CN112215341A
公开(公告)日：2021-01-12
申请号：CN202010646438.2
申请日：2020-07-07
Applicant: 富士通株式会社
Abstract: 本发明涉及机器学习方法、非暂态计算机可读记录介质和机器学习装置。机器学习方法包括：由计算机基于第一分布和预先设置的第二分布计算第一损失函数，该第一分布是当第一数据被输入至具有输入层、中间层和输出层的模型的输入层时从中间层输出的特征量的分布；基于第二数据和与第一数据相对应的校正数据来计算第二损失函数，第二数据是当第一数据被输入至模型的输入层时从输出层输出的；以及基于第一损失函数和第二损失函数两者来训练模型。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.022 seconds)
