发明公开
- 专利标题： 使用解纠缠学习来训练可解释的深度学习模型
-
申请号： CN202180086928.4申请日： 2021-10-15
-
公开(公告)号： CN116685980A公开(公告)日： 2023-09-01
- 发明人: S·查克拉博蒂 , S·B·卡洛 , 温家玮
- 申请人： 国际商业机器公司
- 申请人地址： 美国纽约阿芒克
- 专利权人： 国际商业机器公司
- 当前专利权人： 国际商业机器公司
- 当前专利权人地址： 美国纽约阿芒克
- 代理机构： 北京市金杜律师事务所
- 代理商 酆迅
- 优先权： 17/133,437 20201223 US
- 国际申请： PCT/EP2021/078605 2021.10.15
- 国际公布： WO2022/135765 EN 2022.06.30
- 进入国家日期： 2023-06-21
- 主分类号： G06N3/08
- IPC分类号： G06N3/08 ; G06N3/09 ; G06N3/088 ; G06N20/00 ; G06F18/214
摘要：
一种训练可解释的深度学习模型的方法和系统，包括接收可以是复杂的输入数据集。向深度学习模型提供输入数据集以用于特征提取。在示例性实施例中，深度学习模型根据特征提取生成特征的解纠缠潜在空间。特征可以包括语义上有意义的数据，该语义上有意义的数据然后被提供给低复杂度学习模型。低复杂度学习模型基于指定任务(例如，分类或回归)来生成输出。作为低复杂度学习模型，确信来自深度学习模型的数据输出本质上是可解释的。
