[發明專利]經由訓練的原始網絡與雙網絡來執行多目標任務

在審

• 申請號: 202080010330.2
• 申請日: 2020-02-03
• 公開（公告）號: CN113366510A
• 公開（公告）日: 2021-09-07
• 發明（設計）人: A·坎圖爾;G·尤齊爾;A·安貝-塔瓦爾
• 申請（專利權）人: 國際商業機器公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N20/00
• 代理公司: 中國貿促會專利商標事務所有限公司 11038
• 代理人: 吳信剛

示例系統包括用于接收多目標任務的數據的處理器。所述處理器還經由經訓練的原始網絡對接收到的數據執行所述多目標任務。使用表示多目標的拉格朗日損失函數來對多目標任務訓練原始網絡和雙網絡。訓練原始網絡以最小化拉格朗日損失函數，并且訓練雙網絡以最大化拉格朗日損失函數。

背景技術

本技術涉及人工神經網絡。更具體地，本技術涉及訓練和使用神經網絡來執行多目標任務。

發明內容

根據本文描述的實施例，一種系統包括處理器，該處理器用于接收多目標任務的數據。該處理器還可進一步經由經訓練的原始網絡對所接收的數據執行該多目標任務，其中該原始網絡和雙網絡是使用表示多目標的拉格朗日損失函數針對多目標任務來訓練的。訓練原始網絡以最小化拉格朗日損失函數，并且訓練雙網絡以最大化拉格朗日損失函數。

根據本文描述的另一個實施例，一種方法包括使用表示多目標的拉格朗日損失函數來對多目標任務訓練原始網絡和雙網絡。訓練所述原始網絡和所述雙網絡包括訓練所述原始網絡以最小化所述拉格朗日損失函數以及訓練所述雙網絡以最大化所述拉格朗日損失函數。該方法還可以包括接收用于多目標任務的數據。該方法還可包括經由訓練的原始網絡對接收到的數據執行多目標任務。

根據一個實施例，提供了一種計算機程序產品，該計算機程序產品包括被適配成用于當在計算機上運行所述程序時執行如段落3或段落7所述的方法的程序代碼裝置。

根據本文描述的另一個實施例，一種用于訓練神經網絡以執行多目標任務的計算機程序產品包括計算機可讀存儲介質，所述計算機可讀存儲介質具有隨其體現的程序代碼。計算機可讀存儲介質本身不是瞬態信號。所述程序代碼可由處理器執行以致使所述處理器使用表示多目標的拉格朗日損失函數來對多目標任務訓練原始網絡和雙網絡。所述程序代碼還可使所述處理器訓練所述原始網絡以最小化所述拉格朗日損失函數，并且訓練所述雙網絡以最大化所述拉格朗日損失函數。程序代碼還可以使處理器接收用于多目標任務的數據。程序代碼還可以使處理器經由訓練的原始網絡對接收的數據執行多目標任務。

根據一個實施例，提供了一種系統，包括處理器，用于：接收會話的前綴和文本輸入；以及經由經訓練的原始網絡基于所述會話的前綴和所述文本輸入來生成完成的響應，其中，所述原始網絡被訓練成使表示多目標的拉格朗日損失函數最小化，并且雙網絡被訓練成使所述拉格朗日損失函數最大化。

根據一個實施例，提供了一種計算機實現的方法，包括：接收會話的前綴和文本輸入；以及經由經訓練的原始網絡基于所述會話的前綴和所述文本輸入來生成完成的響應，其中所述經訓練的原始網絡被訓練成最小化表示多目標的拉格朗日損失函數，并且雙網絡被訓練成最大化所述拉格朗日損失函數。

根據一個實施例，提供了一種用于完成響應生成的計算機程序產品，所述計算機程序產品包括計算機可讀存儲介質，所述計算機可讀存儲介質具有隨其包含的程序代碼，其中，所述計算機可讀存儲介質本身不是瞬態信號，所述程序代碼可由處理器執行以使所述處理器：訓練原始網絡以使表示多目標的拉格朗日損失函數最小化，以及訓練雙網以使拉格朗日損失函數最大化；接收會話的前綴和文本輸入；以及經由所述經訓練的原始網絡基于所述會話的前綴和所述文本輸入來生成完成的響應。

附圖說明

現在將僅通過舉例并參考以下附圖來描述本發明的優選實施例：

圖1是可訓練原始網絡以執行多目標任務的示例最小最大神經網絡的框圖；

圖2是可使用經訓練的原始網絡來執行多目標任務的示例方法的過程流程圖；

圖3是可使用經訓練的原始網絡來執行自動響應生成的示例方法的過程流程圖；

圖4是用于訓練原始網絡以執行多目標任務的示例方法的過程流程圖；

圖5是用于訓練原始網絡以執行自動響應生成的示例方法的過程流程圖；

圖6是包括三個長短期記憶(LSTM)單元的示例原始神經網絡；