用于新颖特征发现的自主学习平台制造技术

实施例涉及一种执行自主学习以更新用于人工智能模型的输入特征的方法，所述方法包括接收信息空间的更新数据，所述信息空间包括具有定义的拓扑的节点的图，所述更新数据包括对所述人工智能模型的请求的历史数据以及与所述请求相关联的输出结果，其中不同类别的输入数据对应于所述图的不同输入节点。所述方法还可以包括通过执行路径优化来更新所述图的所述节点之间的边缘连接，所述路径优化各自使用一组代理在各周期探索所述信息空间以降低成本函数，每个连接包括强度值，其中在每个路径优化期间，其余代理之间在每个周期共享路径信息，以用于确定所述图中所述一组代理中的每个代理的下一个位置值。

Autonomous Learning Platform for novel feature discovery

【技术实现步骤摘要】
【国外来华专利技术】用于新颖特征发现的自主学习平台
技术介绍
本申请是要求2017年5月9日提交的第15/590,988号美国专利申请的提交日的权益的国际专利申请，所述美国专利申请以全文引用的方式并入本文中以用于所有目的。在当今的技术环境中，人工智能(例如，机器学习)模型可以用于预测或检测已知输入的结果。例如，当尚未发生结果时可以使用预测，或者当对对象(例如图像)进行分类时可以进行检测。通过将模型的输出优化为训练数据中的已知模式来提高模型的准确性，这些模型可以涉及使用学习算法来随时间推移更好地评估输入数据。在许多情况下，人工智能模型可以检测基于静态信息的结果，例如识别图像或在不变的环境中导航。在这种情况下，人工智能模型可以逐渐变得更善于实现其目标，并且可以基于已知特征开始快速预测或检测结果。但是，在某些情况下，希望人工智能模型在动态变化的环境中运行，在所述环境中，预测特征可能每周、每月等发生变化。例如，可以开发人工智能模型，以便在通信网络中路由消息。在这种情况下，学习算法可以开始确定需要发送的每个消息的最快路线。但是，网络中每个通信信道的速度可能随时间推移而变化，或者路线内的某些网络节点可能会损坏或不可用。在另一个示例中，可以为设计用于自主探索新星球的自动化机动车辆开发人工智能模型。星球的地形和气候可能会显著不同，并且可能要求航天器以最佳方式调整和控制其自身的系统。因此，需要一种在动态变化的环境中检测新特征的机器学习算法。
技术实现思路
各种实施例涉及执行自主学习，以更新用于人工智能模型的输入特征。例如，一种方法可以包括接收信息空间的更新数据，所述信息空间包括具有定义的拓扑的节点的图，所述更新数据包括对所述人工智能模型的请求的历史数据以及与所述请求相关联的输出结果，其中不同类别的输入数据对应于所述图的不同输入节点。所述方法还可以包括通过执行路径优化来更新所述图的所述节点之间的边缘连接，所述路径优化各自使用一组代理在各周期探索所述信息空间以降低成本函数，每个连接包括强度值，其中在每个路径优化期间，其余代理之间在每个周期共享路径信息，以用于确定所述图中所述一组代理中的每个代理的下一个位置值。另外，所述方法还可以包括对输入节点进行分组以识别输入到所述人工智能模型的候选输入特征，其中候选输入特征的所述输入节点彼此相关，并且其中所述候选输入特征具有高于阈值的强度值。此外，所述方法可以包括使用所述候选输入特征的所述历史数据来训练扩大的人工智能模型，所述训练相对于对所述扩大的人工智能模型的输出值的影响度量(measure)提供候选输入特征的排序；以及选择要在人工智能模型中使用的前N个候选输入特征。本专利技术的另一个实施例可以涉及上述方法，其中将所述图分片为重叠的子图，代理可以并行在所述子图中搜索解，并且其中在所述子图中搜索解的代理可以分布在多核图形处理单元的各个核之间。其它实施例涉及与本文中描述的方法相关联的系统、装置和计算机可读介质。参照下面的详细描述和附图可以获得对本专利技术的实施例的特性和优点的更好理解。附图说明图1示出描绘训练和使用机器学习模型的过程的高级图。图2示出根据本专利技术实施例的拓扑图的描绘。图3示出从拓扑图中选择输入特征的描绘。图4示出根据本专利技术实施例的用于执行自主学习的方法的流程图。图5A、5B和5C示出蚁群优化的图示。图6示出蚁群优化算法的工艺流程图的描绘。图7示出根据本专利技术实施例在图查询中作出的命令的描绘。图8示出根据本专利技术实施例的人工智能模型的应用示例。图9示出根据本专利技术实施例的图分片的图示。图10示出描绘根据本专利技术实施例自主检测在分布式框架中实现的新特征的过程的图。图11是执行自主学习以更新用于人工智能模型的输入特征的方法的流程图。术语在讨论本专利技术的一些实施例之前，对一些术语的描述可有助于理解本专利技术的实施例。术语“服务器计算机”可以包括功能强大的计算机或计算机群集。例如，服务器计算机可以是大型主机、小型计算机群集或作为一个单元运作的一组计算机。在一个示例中，服务器计算机可以是耦合到网络服务器的数据库服务器。服务器计算机可以耦合到数据库，且可以包括用于服务来自一个或多个其它计算机的请求的任何硬件、软件、其它逻辑或前述内容的组合。术语“计算机系统”通常可以指包括耦合到一个或多个数据库的一个或多个服务器计算机的系统。术语“人工智能模型”或“AI模型”可以指可用于预测结果以便达成目标的模型。AI模型可以使用学习算法来开发，其中训练数据基于已知的或推断的模式来分类。AI模型还可被称作“机器学习模型”。术语“信息空间”可以指可以探索以识别在训练机器学习模型中使用的特定数据的数据集。信息空间可以包括与事件相关的数据，例如事件发生的时间和地点、涉及的装置以及执行的特定动作。涉及的装置可以通过标识号识别，并且可以进一步与用户或实体相关联。用户或实体可以与关于用户或实体的行为和特征的配置文件数据相关联。数据可以进一步表征为包括输入和输出变量，可以记录所述输入和输出变量并从中学习以便进行预测。例如，信息空间可以包括可以由例如姓名、位置、年龄、类型等已知特征定义的消费者和商家的交易网络，消费者与商家之间的交互可以进一步由例如交易金额和交易时间等变量来描述和定义，这些变量以后可以用来识别信息空间中的模式并预测接下来将发生什么交互。术语“节点”可以指表示指定信息的离散数据点。节点可以通过边缘在拓扑图中彼此连接，所述边缘可以被分配被称为边缘权重的值，以便描述两个节点之间的连接强度。例如，第一节点可以是表示网络中的第一装置的数据点，且第一节点可以在图中连接到表示网络中的第二装置的第二节点。连接强度可以由边缘权重定义，所述边缘权重对应于可以在两个节点之间快速且容易地传输信息的程度。边缘权重还可以用于表达从一个状态或节点移动到下一个状态或节点所需的成本或距离。例如，第一节点可以是表示机器的第一位置的数据点，且第一节点可以在图中连接到用于机器的第二位置的第二节点。边缘权重可以是从第一位置移动到第二位置所需的能量。“特征”可以指在训练机器学习模型中使用的特定数据集。输入特征可以是以可接受的形式编译和表达并且作为进行预测的有用信息用于训练人工智能模型的数据。输入特征可以被标识为图中的一个或多个输入节点的集合，例如包括输入节点的路径。例如，输入特征可以被标识为包括‘男性’、‘25岁’、‘住在旧金山’和‘大学毕业生’的输入节点的路径(集)。在另一个示例中，输入特征可以被标识为包括‘检测到物体’、‘距离＝1m’、‘形状＝圆形’、‘直径＝5cm’、‘颜色＝橙色’的输入节点的路径。特征可以被组织为可搜索的格式，例如图数据库或索引表。例如，输入特征可以被组织为可以被索引、查询和分配值以进行预测的键值列表。AI模型所收集的输入特征的列表可以被称为“特征集”。术语“解算器”可以指搜索解的计算组件。例如，可以使用一个或多个解算器来计算优化问题的解。解算器可以另外被称为“代理”。一起运行以例如在蚁群优化的情况下求解本文档来自技高网...

【技术保护点】
1.一种执行自主学习以更新用于人工智能模型的输入特征的方法，所述方法包括：/n(a)接收信息空间的更新数据，所述信息空间包括具有定义的拓扑的节点的图，所述更新数据包括对所述人工智能模型的请求的历史数据以及与所述请求相关联的输出结果，其中不同类别的输入数据对应于所述图的不同输入节点；/n(b)通过执行路径优化来更新所述图的所述节点之间的边缘连接，所述路径优化各自使用一组代理在各周期探索所述信息空间以降低成本函数，每个连接包括强度值，其中在每个路径优化期间，其余代理之间在每个周期共享路径信息，以用于确定所述图中所述一组代理中的每个代理的下一个位置值；/n(c)对输入节点进行分组以识别输入到所述人工智能模型的候选输入特征，其中候选输入特征的一个或多个输入节点彼此相关，并且其中所述候选输入特征具有高于阈值的强度值；/n(d)使用所述候选输入特征的所述历史数据来训练扩大的人工智能模型，所述训练相对于对所述扩大的人工智能模型的输出值的影响度量提供候选输入特征的排序；以及/n(e)选择要在所述人工智能模型中使用的前N个候选输入特征。/n

【技术特征摘要】
【国外来华专利技术】20170509 US 15/590,9881.一种执行自主学习以更新用于人工智能模型的输入特征的方法，所述方法包括：
(a)接收信息空间的更新数据，所述信息空间包括具有定义的拓扑的节点的图，所述更新数据包括对所述人工智能模型的请求的历史数据以及与所述请求相关联的输出结果，其中不同类别的输入数据对应于所述图的不同输入节点；
(b)通过执行路径优化来更新所述图的所述节点之间的边缘连接，所述路径优化各自使用一组代理在各周期探索所述信息空间以降低成本函数，每个连接包括强度值，其中在每个路径优化期间，其余代理之间在每个周期共享路径信息，以用于确定所述图中所述一组代理中的每个代理的下一个位置值；
(c)对输入节点进行分组以识别输入到所述人工智能模型的候选输入特征，其中候选输入特征的一个或多个输入节点彼此相关，并且其中所述候选输入特征具有高于阈值的强度值；
(d)使用所述候选输入特征的所述历史数据来训练扩大的人工智能模型，所述训练相对于对所述扩大的人工智能模型的输出值的影响度量提供候选输入特征的排序；以及
(e)选择要在所述人工智能模型中使用的前N个候选输入特征。


2.根据权利要求1所述的方法，其中步骤c)还包括当两个或更多个候选输入特征共享预定数量的输入节点时，将所述两个或更多个候选输入特征组合成单个特征。


3.根据权利要求1所述的方法，其中所述其余代理之间在每个周期中共享路径信息包括：
调整影响每个路径在后续周期中被搜索的概率的参数，并且
其中确定所述代理的下一个位置值包括在后续周期中基于调整后的参数选择路径。


4.根据权利要求3所述的方法，还包括：
在稍后的时间点重复步骤a)到e)，并且
其中在所述稍后的时间点的所述更新数据...

【专利技术属性】
技术研发人员：T·哈利斯，C·奥康奈尔，李玥，T·科罗列夫斯卡亚，
申请(专利权)人：维萨国际服务协会，
类型：发明
国别省市：美国;US