申请/专利权人：浙江大华技术股份有限公司

申请日：2023-12-20

公开（公告）日：2024-04-16

公开（公告）号：CN117892802A

主分类号：G06N3/096

分类号：G06N3/096;G06F18/22;G06N3/0464;G06N3/047;G06N3/09

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.03#实质审查的生效;2024.04.16#公开

摘要：本申请公开了一种模型增量学习方法、设备及存储介质，方法包括：确定预训练模型的目标网络参数和参照模型的参照网络参数；将增量样本输入至预训练模型和参照模型，得到预训练模型输出的样本预测结果、目标网络参数输出的第一中间结果和参照网络参数输出的第二中间结果；计算样本预测结果对应的训练损失值，并计算第一中间结果和第二中间结果对应的参数对比损失值；结合训练损失值和参数对比损失值，对预训练模型的网络参数进行更新，使得预训练模型即能学习到增量样本的分布，又不会对原有的记忆遗忘，且通过参数对比损失值表征预训练模型和参照模型之间的局部网络参数的差异，可以更好的避免预训练模型出现灾难性遗忘。

主权项：1.一种模型增量学习方法，其特征在于，所述方法包括：响应于针对增量样本的模型训练请求，获取预训练模型，并创建所述预训练模型对应的参照模型；所述预训练模型与所述参照模型之间的模型网络参数的相似度大于预设相似度阈值；确定所述预训练模型中的目标网络参数，以及将所述参照模型中与所述目标网络参数关联的网络参数作为参照网络参数；将所述增量样本输入至所述预训练模型和所述参照模型，得到所述预训练模型输出的样本预测结果、所述目标网络参数输出的第一中间结果和所述参照网络参数输出的第二中间结果；利用所述增量样本的真值样本标签和所述样本预测结果计算训练损失值，并利用所述第一中间结果和所述第二中间结果计算参数对比损失值；结合所述训练损失值和所述参数对比损失值，对所述预训练模型的网络参数进行更新。

全文数据：

权利要求：

百度查询： 浙江大华技术股份有限公司 模型增量学习方法、设备及存储介质

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD