申请/专利权人：阿特拉斯·科普柯工业技术公司

申请日：2023-10-16

公开（公告）日：2024-04-19

公开（公告）号：CN117909727A

主分类号：G06F18/214

分类号：G06F18/214;G06F18/2415;G06N3/098;G06N3/084;G06N3/0464;G06N3/047;G06N3/048

优先权：["20221017 SE 2230332-5"]

专利状态码：在审-公开

法律状态：2024.04.19#公开

摘要：本发明涉及迭代学习过程的训练数据中的类别不平衡的估计。用于估计迭代学习过程的训练数据中的类别不平衡的方法包括：将计算任务的全局参数向量和用于迭代学习过程的当前迭代轮数的偏置项的向量发送至客户端实体。方法包括：针对当前全局迭代轮数，接收每个客户端实体的具有本地计算的计算结果的本地模型参数向量、连接矩阵的连接权重以及更新的偏置项的向量。方法包括：根据连接权重、偏置项、作为由服务器实体发送的偏置项的函数的概率分布、使用所有的本地可用的训练数据的本地迭代轮数的数量以及学习率，估计每个给定客户端实体的本地训练数据中的类别不平衡。方法包括：对类别不平衡大于阈值的客户端实体中的任意客户端实体执行动作。

主权项：1.一种用于估计迭代学习过程的训练数据中的类别不平衡的方法，其中，所述方法由服务器实体200执行，其中，迭代学习过程涉及客户端实体110a:110K所执行的计算任务，所述计算任务涉及客户端实体110a:110K参与训练机器学习模型，其中，每个全局迭代轮数的机器学习模型在若干本地迭代轮数期间以学习率并且利用神经网络400进行训练，所述神经网络具有与连接矩阵和偏置项相关联的全连接输出层430，其中，所述方法包括：将计算任务的全局参数向量和用于迭代学习过程的当前迭代轮数的偏置项的向量发送至客户端实体110a:110KS102；针对当前全局迭代轮数，接收每个客户端实体110k的具有本地计算的计算结果的本地模型参数向量、连接矩阵的连接权重以及更新的偏置项的向量S104，其中，本地计算的计算结果是机器学习模型的更新，并且是基于每个所述客户端实体110k本地能够使用的全局参数向量和训练数据进行计算的；根据连接权重、偏置项、作为由服务器实体200发送的偏置项的函数的概率分布、使用所有的本地能够使用的训练数据的本地迭代轮数的数量以及学习率，估计每个给定客户端实体110k的本地训练数据中的类别不平衡S106；对类别不平衡大于阈值的客户端实体110a:110K中的任意客户端实体执行动作S108。

全文数据：

权利要求：

百度查询： 阿特拉斯·科普柯工业技术公司 迭代学习过程的训练数据中的类别不平衡的估计

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