申请/专利权人:上海合合信息科技股份有限公司;上海临冠数据科技有限公司;上海生腾数据科技有限公司;上海盈五蓄数据科技有限公司
申请日:2023-12-26
公开(公告)日:2024-03-15
公开(公告)号:CN117709489A
主分类号:G06N20/20
分类号:G06N20/20;G06F18/214;G06F18/2415
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.02#实质审查的生效;2024.03.15#公开
摘要:本发明公开了一种自适应惩罚的模型融合方法。给定一个训练数据集、一个测试数据集、以及训练好的多个模型。每一个人工智能模型均采用训练数据集行遍历推理,得到该人工智能模型的预测结果;对各个人工智能模型的性能排序。寻找每一个人工智能模型的负例预测结果子集的第99百分位数作为该人工智能模型的信任阈值。取测试数据集中的任意一个测试样本,判断每一个人工智能模型对该测试样本的预测概率值是否大于或等于该人工智能模型的信任阈值。如果是,对预测概率值不做惩罚处理。如果否,得到惩罚后的预测概率值。本发明能够快速获得精度高且稳健的模型融合后的输出结果,特别适用于多个内容真伪判别模型的融合。
主权项:1.一种自适应惩罚的模型融合方法,其特征是,包括如下步骤;步骤S1:给定一个训练数据集、一个测试数据集、以及训练好的多个不同的用于二分类的人工智能模型;步骤S2:每一个人工智能模型均采用所述训练数据集行遍历推理,得到该人工智能模型的预测结果;对全部人工智能模型的预测结果计算某一项指标分数,根据该项指标分数高低对各个人工智能模型的性能排序;步骤S3:将所述训练数据集中所有为负例的样本数据称为负例训练数据子集,在每一个人工智能模型输出的预测结果中将所述负例训练数据子集对应的预测结果称为负例预测结果子集,寻找每一个人工智能模型的负例预测结果子集的第99百分位数作为该人工智能模型的信任阈值;步骤S4:取测试数据集中的任意一个测试样本,判断每一个人工智能模型对该测试样本的预测概率值是否大于或等于该人工智能模型的信任阈值;如果是,对预测概率值不做惩罚处理,即惩罚后的预测概率值等于预测概率值;如果否,将预测概率值除以该人工智能模型的惩罚因子得到惩罚后的预测概率值;步骤S5:将每一个人工智能模型对该测试样本的惩罚后的预测概率值与该人工智能模型的权重相乘后累加,得到全部人工智能模型对该测试样本的最终预测概率值;步骤S6:重复步骤S4和步骤S5,得到全部人工智能模型对全部测试样本的最终预测概率值;以使全部人工智能模型对全部测试样本的最终预测概率值尽可能高为原则,调整各人工智能模型的惩罚因子和或权重值。
全文数据:
权利要求:
百度查询: 上海合合信息科技股份有限公司;上海临冠数据科技有限公司;上海生腾数据科技有限公司;上海盈五蓄数据科技有限公司 一种自适应惩罚的模型融合方法及装置
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。