-
公开(公告)号：CN112580732B
公开(公告)日：2024-02-23
申请号：CN202011563834.5
申请日：2020-12-25
Applicant: 北京百度网讯科技有限公司
Inventor： 王龙飞
IPC: G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 本申请公开了一种模型训练方法、装置、设备、存储介质和程序产品，涉及计算机技术领域，尤其涉及人工智能和深度学习技术领域。具体实现方案为：在样本集合中获取本轮样本集输入至待训练模型中，并根据待训练模型的输出结果，计算本轮训练损失；根据所述本轮训练损失，确定本轮扰动项，并将所述本轮扰动项加入至所述本轮样本集中，得到本轮对抗样本集；使用所述本轮样本集和所述本轮对抗样本集共同对待训练模型进行训练，得到本轮训练模型；将所述本轮训练模型确定为新的待训练模型后，返回在样本集合中获取本轮样本集输入至待训练模型中的操作，响应于满足结束训练条件，获取目标训练模型。本申请实施例的技术方案，提高了模型
-
公开(公告)号：CN112560996B
公开(公告)日：2024-03-05
申请号：CN202011573593.2
申请日：2020-12-24
Applicant: 北京百度网讯科技有限公司
Inventor： 王龙飞
IPC: G06F18/214 , G06N20/20
Abstract: 本申请公开了用户画像识别模型训练方法、设备、可读存储介质及产品，涉及数据处理中的深度学习、大数据。具体实现方案为：获取多组用户画像数据以及用户画像数据对应的标签信息；通过多组用户画像数据以及标签信息，对预设的基准网络模型和影子网络模型进行训练操作，获得基准网络模型输出的第一预测标签和影子网络模型输出的第二预测标签；根据标签信息、第一预测标签、第二预测标签，对基准网络模型和影子网络模型的训练参数进行更新，获得基准网络模型对应的第一训练参数、影子网络模型对应的第二训练参数；采用第一训练参数以及第二训练参数对基准网络模型和影子网络模型进行训练。从而能够提高用户画像识别模型鲁棒性以及识别精度。
-
公开(公告)号：CN112580732A
公开(公告)日：2021-03-30
申请号：CN202011563834.5
申请日：2020-12-25
Applicant: 北京百度网讯科技有限公司
Inventor： 王龙飞
Abstract: 本申请公开了一种模型训练方法、装置、设备、存储介质和程序产品，涉及计算机技术领域，尤其涉及人工智能和深度学习技术领域。具体实现方案为：在样本集合中获取本轮样本集输入至待训练模型中，并根据待训练模型的输出结果，计算本轮训练损失；根据所述本轮训练损失，确定本轮扰动项，并将所述本轮扰动项加入至所述本轮样本集中，得到本轮对抗样本集；使用所述本轮样本集和所述本轮对抗样本集共同对待训练模型进行训练，得到本轮训练模型；将所述本轮训练模型确定为新的待训练模型后，返回在样本集合中获取本轮样本集输入至待训练模型中的操作，响应于满足结束训练条件，获取目标训练模型。本申请实施例的技术方案，提高了模型的泛化性能。
-
公开(公告)号：CN116227552A
公开(公告)日：2023-06-06
申请号：CN202310195726.4
申请日：2023-02-24
Applicant: 北京百度网讯科技有限公司
IPC: G06N3/0464 , G06N3/08 , G06F18/10 , G06F18/2131 , G06F18/24
Abstract: 本公开提供了一种预训练模型的训练方法、时序数据的识别方法及装置，涉及人工智能技术领域，尤其涉及数据处理、机器学习技术领域。具体实现方案为：对原始时序数据添加噪声，得到样本时序数据。然后通过预训练模型提取样本时序数据的趋势项和季节项，其中，趋势项表示样本时序数据的变化趋势，季节项表示样本时序数据的变化周期。之后通过预训练模型基于趋势项和季节项，预测添加噪声前的时序数据，得到预测时序数据。再基于原始时序数据和预测时序数据，训练预训练模型。从而实现了提高对时序数据进行识别的准确性。
-
公开(公告)号：CN112580733A
公开(公告)日：2021-03-30
申请号：CN202011564264.1
申请日：2020-12-25
Applicant: 北京百度网讯科技有限公司
Inventor： 王龙飞
Abstract: 本申请公开了分类模型的训练方法、装置、设备以及存储介质，涉及人工智能领域中的深度学习、大数据技术。具体实现方案为：获取来自于多个数据源的多个用户样本，每个用户样本包括用户特征、类别标签和数据源标签；利用待训练的分类模型从用户特征中提取目标特征，并根据目标特征对用户样本进行分类处理，得到分类结果，以及根据目标特征对用户样本进行数据源识别处理，得到数据源识别结果；根据数据源识别结果和数据源标签，确定第一损失，并根据分类结果和类别标签，确定第二损失；根据第一损失和第二损失，对待训练的分类模型进行训练，得到训练后的分类模型。上述过程提高了分类模型的泛化性。
-
Patent Agency Ranking
公开(公告)号：CN115310689A
公开(公告)日：2022-11-08
申请号：CN202210919137.1
申请日：2022-08-01
Applicant: 北京百度网讯科技有限公司
IPC: G06Q10/04 , G06Q50/06 , G06N20/00 , G06F16/2458
Abstract: 本公开提出了一种时序预测模型的训练方法、预测方法及相关设备，涉及深度学习等人工智能领域，方法包括将样本时序数据输入时序预测模型，由时序预测模型基于仿射参数和样本非平稳信息得到仿射样本时序数据；根据仿射样本时序数据得到预测样本时序数据，并基于仿射参数和样本非平稳信息对预测样本时序数据进行重构得到重构样本时序数据；根据样本时序数据和重构样本时序数据对包括仿射参数的模型参数进行调整并返回对调整后时序预测模型继续训练直至训练结束得到目标时序预测模型，本公开中，降低了非平稳时序数据的分布漂移现象对模型训练的影响程度，优化了非平稳时序数据的模型训练方法以及模型训练效果，提高了非平稳时序预测的准确性。
-
公开(公告)号：CN115169720A
公开(公告)日：2022-10-11
申请号：CN202210866758.8
申请日：2022-07-22
Applicant: 北京百度网讯科技有限公司
Abstract: 本公开提供了发电数据生成方法和装置，具体涉及风力发电预测技术领域。具体实现方案为：获取待处理数据；基于第一预测天气数据，确定目标预测天气数据；将目标预测天气数据和第一风力发电数据输入预设的电力预测模型，得到第二风力发电数据，提升了预测的风力发电数据的准确性。该方式提升了预测的风力发电数据的准确性，有助于完成科学的电力调度规划。
-
公开(公告)号：CN112580733B
公开(公告)日：2024-03-05
申请号：CN202011564264.1
申请日：2020-12-25
Applicant: 北京百度网讯科技有限公司
Inventor： 王龙飞
IPC: G06F18/241 , G06F18/214 , G06N3/0464 , G06N3/09
Abstract: 本申请公开了分类模型的训练方法、装置、设备以及存储介质，涉及人工智能领域中的深度学习、大数据技术。具体实现方案为：获取来自于多个数据源的多个用户样本，每个用户样本包括用户特征、类别标签和数据源标签；利用待训练的分类模型从用户特征中提取目标特征，并根据目标特征对用户样本进行分类处理，得到分类结果，以及根据目标特征对用户样本进行数据源识别处理，得到数据源识别结果；根据数据源识别结果和数据源标签，确定第一损失，并根据分类结果和类别标签，确定第二损失；根据第一损失和第二损失，对待训练的分类模型进行训练，得到训练后的分类模型。上述过程提高了分类模型的泛化性。
-
公开(公告)号：CN116227731A
公开(公告)日：2023-06-06
申请号：CN202310296523.4
申请日：2023-03-23
Applicant: 北京百度网讯科技有限公司
Abstract: 本公开提供了一种负荷预测方法、装置、设备及介质，涉及工业大数据领域，具体涉及人工智能和智慧城市领域中。具体实现方案为：获取历史负荷和预测关联数据；检测所述历史负荷的分布是否发生变化，得到检测结果；获取与所述检测结果对应的预测方式；根据与所述检测结果对应的预测方式，对所述历史负荷和所述预测关联数据进行处理得到预测负荷，所述历史负荷为第一时间段的负荷，所述预测关联数据为第二时间段的关联数据，所述第一时间段早于所述第二时间段，所述预测负荷为第二时间段的负荷。本公开实施例可以实现精准预测电力负荷。
-
公开(公告)号：CN112560996A
公开(公告)日：2021-03-26
申请号：CN202011573593.2
申请日：2020-12-24
Applicant: 北京百度网讯科技有限公司
Inventor： 王龙飞
Abstract: 本申请公开了用户画像识别模型训练方法、设备、可读存储介质及产品，涉及数据处理中的深度学习、大数据。具体实现方案为：获取多组用户画像数据以及用户画像数据对应的标签信息；通过多组用户画像数据以及标签信息，对预设的基准网络模型和影子网络模型进行训练操作，获得基准网络模型输出的第一预测标签和影子网络模型输出的第二预测标签；根据标签信息、第一预测标签、第二预测标签，对基准网络模型和影子网络模型的训练参数进行更新，获得基准网络模型对应的第一训练参数、影子网络模型对应的第二训练参数；采用第一训练参数以及第二训练参数对基准网络模型和影子网络模型进行训练。从而能够提高用户画像识别模型鲁棒性以及识别精度。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.029 seconds)
