[發明專利]使用生成式對抗網絡的鑒別器的新奇檢測

在審

• 申請號: 201810479150.3
• 申請日: 2018-05-18
• 公開（公告）號: CN108960278A
• 公開（公告）日: 2018-12-07
• 發明（設計）人: M.克利格;S.弗萊什曼
• 申請（專利權）人: 英特爾公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/66
• 代理公司: 中國專利代理(香港)有限公司 72001
• 代理人: 徐紅燕;鄭冀之

本發明涉及使用生成式對抗網絡的鑒別器的新奇檢測。一種用于檢測新奇數據的示例裝置包括使用生成器訓練的鑒別器，其要接收待分類的數據。鑒別器還可以被訓練成響應于檢測到所接收的數據不對應于已知的數據類別而將所接收的數據分類為新奇數據。

對相關申請的交叉引用

本申請要求2017年5月18日提交的美國臨時專利申請號62/508,016的申請日的權益，該申請通過引用結合到本文中。

背景技術

人工智能（AI）系統的任務之一可以是要輸出關于其周圍事物的高級信息。例如，給定輸入圖像，AI目標可以是要編寫計算機程序，該計算機程序輸出關于所捕獲的圖像的一些高級信息，諸如對圖像中是什么、哪些對象在圖像中以及這些對象在圖像上的何處等的描述。

在一些示例中，基于機器學習（ML）的方法、并且更具體地使用監督學習（SL）范式開發的算法可以用于輸出這樣的高級信息。例如，監督學習算法可以分析訓練數據并產生推斷函數，其可以用于映射新的示例。

附圖說明

圖1是圖示出用于經由用生成器訓練的鑒別器檢測新奇數據的示例系統的框圖；

圖2是圖示出用于用生成器訓練鑒別器以檢測新奇數據的示例方法的流程圖；

圖3是圖示出用于經由訓練過的鑒別器檢測新奇數據的示例方法的過程流程圖；

圖4是圖示出可以經由訓練過的鑒別器檢測新奇數據的示例計算設備的框圖；以及

圖5是示出存儲用于經由鑒別器訓練和檢測新奇數據的代碼的計算機可讀介質的框圖。

在整個公開內容和各圖中，相同的標號用于引用相似的組件和特征。100系列中的標號指的是最初在圖1中見到的特征；200系列中的標號指的是最初在圖2中見到的特征；以此類推。

具體實施方式

如上所討論的，機器學習算法可以用于輸出關于輸入圖像中的對象的信息。例如，輸入可以是圖像或音頻信號，并且輸出可以是檢測到的對象或語音音素。訓練數據可以是點對的集合T = {(X,Y)_i}，其中輸入空間中的每個點x_i在輸出空間中具有對應的點y_i。例如，在圖像分類任務中，輸入空間{x_i}可以是圖像的空間，并且輸出空間{y_i}可以是該圖像中的對象的標簽，諸如“貓”或“帽子”或“狗”之類。作為另一示例，在語音識別任務中，輸入可以是音頻信號，并且輸出可以是語音的音素。

然而，雖然可以訓練監督學習（SL）算法來計算多個輸出，但是它們可能無法識別新的輸入類型。例如，一些SL算法可能能夠對對象進行概括，以推理或分類與訓練數據合理類似的示例。例如，如果用1000個椅子樣本來訓練識別椅子，并且然后請求關于第1001個椅子進行推斷，則一些SL算法可能能夠這樣做。然而，例如，如果沒有訓練識別貓，則這樣的算法可能無法識別貓。經常可能沒有對于分類器應該如何對在實質上不同于訓練期間可用的數據的新的輸入類型做出反應的要求。相反，算法可能會從其它已知的類產生一些錯誤輸出，有時卻具有高置信度得分。

生成式對抗網絡（GAN）框架可以用作用于生成自然圖像的逼真樣本的生成式框架。例如，生成式對抗網絡可以是用于生成式建模的方法，其中同時訓練兩個模型：生成器G和鑒別器D。鑒別器可以被委派以將其輸入分類為生成器的輸出（在本文中稱為“偽造”數據）或來自底層數據分布的實際樣本（在本文中稱為“真實”數據）。生成器的目標可以是要產生被鑒別器分類為來自于底層數據分布的真實數據的輸出。