公开(公告)号：CN114127736A

公开(公告)日：2022-03-01

申请号：CN202080051252.0

申请日：2020-06-24

Applicant: 罗伯特·博世有限公司

Inventor： T·厄尔斯肯 ,  F·胡特尔 ,  D·斯托尔 ,  J·H·梅岑

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 用于处理数字传感器数据的设备、计算机实施的方法及对此的训练方法，其中提供（302）来自训练任务的分布的多个训练任务，其中所述训练任务表征对数字传感器数据的处理，其中根据来自训练任务的分布的至少一个第一训练任务，利用基于梯度的第一学习算法和基于梯度的第二学习算法，确定（304）针对人工神经网络的架构和针对人工神经网络的权重的参数集，其中根据参数集并且根据第二训练任务，利用基于梯度的第一学习算法，训练（306）所述人工神经网络。

公开(公告)号：CN114077899A

公开(公告)日：2022-02-22

申请号：CN202110928732.7

申请日：2021-08-13

Applicant: 罗伯特·博世有限公司

Inventor： D·斯托尔 ,  D·瓦格纳 ,  F·胡特尔 ,  J·弗兰克 ,  S·赛尔格

IPC: G06N20/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种用于对机器学习算法的超参数进行迁移学习的方法，该方法包括如下步骤：提供当前的搜索空间和先前的搜索空间。然后，创建被缩小的搜索空间，并且从被缩小的搜索空间和当前的搜索空间中多次、随机抽取候选配置，并且分别利用所述候选配置来参数化地应用该机器学习算法。然后，利用这些候选配置来参数化地根据候选解决方案以及该机器学习算法的结果来创建树结构Parzen估计器（TPE），并且多次重复借助于该TPE从当前的搜索空间中抽取其它候选配置，其中在每次抽取时都对该TPE进行更新。

公开(公告)号：CN113989801A

公开(公告)日：2022-01-28

申请号：CN202110777133.X

申请日：2021-07-09

Applicant: 罗伯特·博世有限公司

Inventor： M·林道尔 ,  A·泽拉 ,  D·斯托尔 ,  F·费雷拉 ,  F·哈特 ,  T·尼尔霍夫

IPC: G06V20/70 ,  G06V10/764 ,  G06V20/58 ,  G06K9/62 ,  G06N5/00

Abstract: 用于创建系统的计算机实现的方法，所述系统适合于为基于计算机的视觉自动创建机器学习系统，所述方法包括以下步骤：提供预给定的超参数。借助于BOHB（贝叶斯优化（BO）和超频带（HB）的缩写）为多个不同训练数据集确定所述超参数的最优参数化。借助于标准化度量评估对所述多个不同训练数据集的所有训练数据集的所有最优参数化。创建矩阵，其中所述矩阵具有针对每个参数化和每个训练数据集的经过评估的标准化度量。确定每个训练数据集的元特征（英语：meta‑features）。优化决策树，所述决策树根据所述元特征和所述矩阵使得所述决策树输出借助于BOHB确定的最优参数化中的哪个是适合于给定元特征的参数化。