[發明專利]數據的自主修改的方法和系統

在審

• 申請號: 202010323941.4
• 申請日: 2020-04-22
• 公開（公告）號: CN111860759A
• 公開（公告）日: 2020-10-30
• 發明（設計）人: A·喬萬尼尼;A·F·羅德里格斯;M·加布拉尼;A·克里斯塔利迪斯
• 申請（專利權）人: 國際商業機器公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 北京市中咨律師事務所 11247
• 代理人: 于靜;楊曉光

1.一種用于修改數據集中的模式的計算機實現的方法，所述方法使用包括生成器和判別器的生成式對抗網絡，所述方法包括：

提供數據樣本對，每個所述對包括具有模式的基礎數據樣本和具有對應的修改模式的修改數據樣本，其中，所述修改模式是通過對所述基礎數據樣本應用至少一個隨機修改來確定的，

使用對抗訓練方法并且使用所述數據樣本對作為輸入來訓練所述生成器以構建所述生成器的模型，其中，所述判別器接收數據集的數據集對作為輸入，每個所述數據集對包括所述生成器的基于基礎數據樣本和所述對應的修改數據樣本的預測輸出，由此優化用于所述生成器和所述判別器的聯合損失函數，以及

在沒有所述判別器的情況下，針對未知數據樣本作為所述生成器的輸入來預測輸出數據集。

2.根據權利要求1所述的方法，其中，所述聯合損失函數是Wasserstein損失函數。

3.根據權利要求1所述的方法，還包括：使用所述對抗訓練方法并且使用所述數據樣本對作為輸入來訓練所述生成器網絡的不同模型，其中，所述修改數據樣本是根據不同的方面來修改的。

4.根據權利要求1所述的方法，其中，所述生成器是輸出節點與輸入節點一樣多并且隱藏層節點少于輸入節點數量的神經網絡。

5.根據權利要求1所述的方法，其中，所述判別器是輸入節點與所述生成器具有的輸出節點一樣多并且具有兩個輸出節點的神經網絡。

6.根據權利要求1所述的方法，其中，所述判別器是PatchGAN。

7.根據權利要求1所述的方法，其中，所述聯合損失函數是損失函數的加權組合。

8.根據權利要求1所述的方法，其中，所述損失函數與所述基礎數據樣本的內容損失有關，并且其中，所述內容損失是使用預先訓練的神經網絡的特征圖來確定的。

9.根據權利要求1所述的方法，其中，與相關的數據樣本相比，所述修改數據樣本包括實線而不是虛線，包括黑白模式而不是等效的彩色模式，包括無文本模式而不是具有文本的模式，以及包括無線條圖像而不是混合線條/文本圖像。

10.根據權利要求1所述的方法，其中，提供數據樣本對包括：

提供具有模式的圖像集，

確定要被修改的至少一個模式，

使用隨機數生成器來隨機修改所述圖像的所述至少一個模式，以及

將所述圖像集中的一個圖像和相關圖像與定義包括所述基礎數據樣本和所述修改數據樣本的所述對中的一個對的所述至少一個模式相關。

11.根據權利要求1所述的方法，其中，當比較當前迭代與先前迭代的結果時，如果所述聯合損失函數的結果小于相對閾值，則所述生成式對抗網絡的訓練終止。

12.根據權利要求1所述的方法，其中，所述基礎數據樣本和修改數據樣本是圖像。

13.一種用于使用生成式對抗網絡來修改數據集中的模式的機器學習系統，所述機器學習系統包括生成器網絡系統和判別器網絡系統，所述機器學習系統包括：

接收單元，適于提供數據樣本對，每個所述對包括具有模式的基礎數據樣本和具有對應的修改模式的修改數據樣本，其中，所述修改模式是通過對所述基礎數據樣本應用至少一個隨機修改來確定的，

訓練模塊，適于控制使用對抗訓練方法并且使用所述數據樣本對作為輸入來訓練所述生成器網絡系統以構建所述生成器網絡系統的模型，其中，所述判別器網絡系統接收數據集的數據集對作為輸入，每個所述數據集對包括所述生成器的基于基礎數據樣本和所述對應的修改數據樣本的預測輸出，由此優化用于所述生成器和所述判別器的聯合損失函數，以及

預測單元，適于在沒有所述判別器的情況下針對未知數據樣本作為所述生成器的輸入來預測輸出數據集。