公开(公告)号：CN112470171B

公开(公告)日：2025-04-18

申请号：CN201980031270.X

申请日：2019-04-27

Applicant: 微软技术许可有限责任公司

Inventor： S·阿米扎德 ,  杨格 ,  N·富西 ,  F·P·卡萨莱

IPC: G06N3/0464 ,  G06N3/084 ,  G06N5/00 ,  G06N3/047 ,  G06N3/044 ,  G06N3/0499

Abstract: 公开了用于针对机器学习问题选择神经网络的系统和方法。一种方法包括访问输入矩阵。该方法包括访问与机器学习问题相关联的机器学习问题空间和用于解决机器学习问题的多个未经训练的候选神经网络。该方法包括针对每个未经训练的候选神经网络，计算捕获候选神经网络关于机器学习问题的表达性的至少一个表达性度量。该方法包括针对每个未经训练的候选神经网络，计算捕获候选神经网络关于机器学习问题的可训练性的至少一个可训练性度量。该方法包括基于至少一个表达性度量和至少一个可训练性度量选择用于解决机器学习问题的至少一个候选神经网络。

公开(公告)号：CN113039562A

公开(公告)日：2021-06-25

申请号：CN201980072085.5

申请日：2019-10-29

Applicant: 微软技术许可有限责任公司

Inventor： N·富西 ,  F·P·卡萨莱 ,  J·戈登

IPC: G06N3/08 ,  G06N3/04 ,  G06N5/00 ,  G06N7/00

Abstract: 本公开的示例描述了用于概率神经网络架构生成的系统和方法。在示例中，基于各种参数的神经网络架构上的基础分布使用概率建模而被采样。训练数据被评估以便迭代地更新基础分布，从而生成神经网络架构上的概率分布。该分布被迭代地训练，直到与神经网络架构相关联的参数收敛为止。一旦确定参数已经收敛，则得到的概率分布可以被用于生成得到的神经网络架构。结果，中间架构不需要被完全训练，其极大地减少了存储器使用和/或处理时间。此外，在某些实例中，评估更大的架构和/或更大的批处理大小同时还减少了神经网络架构生成时间并保持或改善神经网络准确性是可能的。

公开(公告)号：CN112470171A

公开(公告)日：2021-03-09

申请号：CN201980031270.X

申请日：2019-04-27

Applicant: 微软技术许可有限责任公司

Inventor： S·阿米扎德 ,  杨格 ,  N·富西 ,  F·P·卡萨莱

IPC: G06N3/04 ,  G06N3/08 ,  G06N5/00

Abstract: 公开了用于针对机器学习问题选择神经网络的系统和方法。一种方法包括访问输入矩阵。该方法包括访问与机器学习问题相关联的机器学习问题空间和用于解决机器学习问题的多个未经训练的候选神经网络。该方法包括针对每个未经训练的候选神经网络，计算捕获候选神经网络关于机器学习问题的表达性的至少一个表达性度量。该方法包括针对每个未经训练的候选神经网络，计算捕获候选神经网络关于机器学习问题的可训练性的至少一个可训练性度量。该方法包括基于至少一个表达性度量和至少一个可训练性度量选择用于解决机器学习问题的至少一个候选神经网络。