[發明專利]用于實現模型訓練的方法及裝置、計算機存儲介質

在審

• 申請號: 201910600521.3
• 申請日: 2019-07-04
• 公開（公告）號: CN112183758A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 孫旭東;張彥芳;張亮;劉樹成;王雅莉
• 申請（專利權）人: 華為技術有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 顏晶

1.一種用于實現模型訓練的方法，其特征在于，所述方法包括：

當機器學習模型發生劣化時，獲取第一特征集的有效性信息，所述第一特征集中包括用來訓練得到所述機器學習模型的多個特征，所述有效性信息包括所述第一特征集中每個特征的有效性評分，特征的有效性評分與所述特征跟所述第一特征集中的其它特征之間的相關性負相關；

基于所述有效性信息，確定所述第一特征集中的失效特征；

生成不包括所述失效特征的第二特征集，所述第二特征集用于對所述機器學習模型進行重訓練。

2.根據權利要求1所述的方法，其特征在于，所述特征的有效性評分是根據所述特征相對于所述第一特征集中的所有其它特征的互信息得到的。

3.根據權利要求1或2所述的方法，其特征在于，所述失效特征包括所述第一特征集中有效性評分低于評分閾值的特征。

4.根據權利要求3所述的方法，其特征在于，所述評分閾值基于所述第一特征集中所有特征的有效性評分的均值、所述第一特征集中所有特征的有效性評分的方差以及所述第一特征集中所有特征的有效性評分的標準差中的一個或多個計算得到。

5.根據權利要求1至4任一所述的方法，其特征在于，在所述獲取第一特征集的有效性信息之后，所述方法還包括：

基于所述有效性信息，生成所述第一特征集的有效性評分列表，所述有效性評分列表包括所述第一特征集中每個特征的特征標識以及所述每個特征的有效性指示信息，所述有效性指示信息包括有效性評分和有效性標記中的至少一個，所述有效性標記包括有效特征標記或失效特征標記；

將所述有效性評分列表發送給管理設備。

6.根據權利要求5所述的方法，其特征在于，所述有效性指示信息包括有效性評分和有效性標記，所述方法還包括：

接收所述管理設備發送的更新后的有效性評分列表；

所述基于所述有效性信息，確定所述第一特征集中的失效特征，包括：

將所述更新后的有效性評分列表中，有效性標記為失效特征標記的特征確定為所述第一特征集中的失效特征。

7.根據權利要求1至6任一所述的方法，其特征在于，在所述獲取第一特征集的有效性信息之前，所述方法還包括：

獲取目標數據，所述機器學習模型對所述目標數據的預測結果的置信度低于置信度閾值；

所述獲取第一特征集的有效性信息，包括：

基于所述目標數據確定所述第一特征集的有效性信息。

8.根據權利要求1至7任一所述的方法，其特征在于，所述生成不包括所述失效特征的第二特征集，包括：

確定樣本數據的模式特點，所述模式特點表征所述樣本數據的分布特征和統計特征中的至少一個，所述樣本數據是在所述機器學習模型發生劣化后采集的；

生成第三特征集，所述第三特征集包括所述樣本數據的模式特點對應的特征；

刪除所述第三特征集中的所述失效特征，得到所述第二特征集。

9.根據權利要求8所述的方法，其特征在于，在所述生成第三特征集之后，所述方法還包括：

將所述第三特征集發送給管理設備；

接收所述管理設備發送的更新后的第三特征集。

10.一種用于實現模型訓練的方法，其特征在于，所述方法包括：

確定樣本數據的模式特點，所述模式特點表征所述樣本數據的分布特征和統計特征中的至少一個；

生成目標特征集，所述目標特征集包括所述樣本數據的模式特點對應的特征，所述目標特征集中的特征用于對機器學習模型進行訓練，所述機器學習模型用于對所述網絡設備采集到的待預測數據進行預測。

11.根據權利要求10所述的方法，其特征在于，在所述生成目標特征集之后，所述方法還包括：

將所述目標特征集發送給管理設備；

接收所述管理設備發送的更新后的目標特征集。