申请/专利权人:清华大学
申请日:2021-01-14
公开(公告)日:2021-04-27
公开(公告)号:CN112712131A
主分类号:G06K9/62(20060101)
分类号:G06K9/62(20060101);G06N3/08(20060101);G06N3/04(20060101);G06N5/04(20060101)
优先权:
专利状态码:在审-实质审查的生效
法律状态:2021.05.14#实质审查的生效;2021.04.27#公开
摘要:本申请提出一种基于博弈论框架构建的神经网络模型终身学习方法,包括:通过对环境熵与网络熵的定量表达,得到网络驱动因子,促使网络结构的变化,实现网络的持续学习,在环境发生空间以及时间上的变化时,保持有效,可迁移以及持续演化。同时将网络的成本,精度以及输出作为反馈信息,进一步帮助网络调整结构,实现数据闭环,实现网络随着时间演化的可持续学习,从而实现稳定有效的自学习。由此,本申请可以在数据集发生模态与时间变化的情况下持续学习,具有较强的实际应用前景。
主权项:1.一种基于博弈论框架构建的神经网络模型终身学习方法,其特征在于,包括:对输入图像进行特征提取,获得针对所述输入图像的特征向量;将所述输入图像的特征向量输入至环境熵计算网络进行环境熵计算,获得所述环境熵计算网络输出的环境熵;基于网络熵计算网络对主体网络计算网络熵,并将所述网络熵映射到与所述环境熵相同的空间;根据所述环境熵和所述网络熵生成对应的熵平衡驱动因子;根据所述熵平衡驱动因子驱动所述主体网络中连接节点的策略与权重的变化,并根据变化后的所述主体网络获取网络成本和网络误差;将所述网络成本、所述网络误差和所述主体网络的输出结果作为反馈信息,并将所述反馈信息和所述输入图像的特征向量输入至所述环境熵计算网络进行环境熵计算,返回执行所述获得所述环境熵计算网络输出的环境熵的步骤。
全文数据:
权利要求:
百度查询: 清华大学 基于博弈论框架构建的神经网络模型终身学习方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。