用于模型自适应的方法、设备以及机程序产品技术

本公开的实施例提供用于模型自适应的方法、设备以及程序产品。该方法包括利用具有第一参数集值的第一机器学习模型处理第一输入数据以获得第一输入数据的第一特征信息，第一机器学习模型具有自组织能力并且在第一输入数据的处理后第一参数集值被更新；利用具有第二参数集值的第二机器学习模型，基于第一特征信息来生成针对第一输入数据的第一分类结果；利用具有更新后的第一参数集值的第一机器学习模型处理第二输入数据，以获得第二输入数据的第二特征信息；以及利用具有第二参数集值的第二机器学习模型基于第二特征信息来生成针对第二输入数据的第二分类结果。由此，用于分类的机器学习模型能够适应输入数据的特征的改变，确定更好的分类结果。

【技术实现步骤摘要】
用于模型自适应的方法、设备以及机程序产品
本公开的实施例涉及人工智能领域，并且更具体地，涉及用于模型自适应的方法、设备以及计算机程序产品。
技术介绍
近年来，高性能计算、机器学习、深度学习和人工智能等新兴技术快速发展。技术人员基于这些新兴技术、根据实际需要设计不同的处理任务，以完成相应的处理目标。这样的任务可以被统称为机器学习任务。机器学习任务经常依赖于大量的数据和高强度的处理能力，特别是并行处理能力。因此，除了中央处理单元(CPU)等通用处理资源、存储装置等存储资源，机器学习任务还需要诸如图形处理单元(GPU)、现场可编程门阵列(FPGA)等的专用处理资源来执行。取决于任务的目标、复杂度、精度等不同方面的要求，不同机器学习任务对于资源的需求量可能不尽相同。因此，至少出于资源考虑，机器学习模型的更新会受到一定限制。
技术实现思路
本公开的实施例提供了一种用于模型自适应的方案。在本公开的第一方面中，提供了一种于模型自适应的方法。该方法包括利用具有第一参数集值的第一机器学习模型处理第一输入数据，以获得第一输入数据的第一特本文档来自技高网...

【技术保护点】
1.一种用于模型自适应的方法，包括：/n利用具有第一参数集值的第一机器学习模型处理第一输入数据，以获得所述第一输入数据的第一特征信息，所述第一机器学习模型具有自组织能力并且在所述第一输入数据的处理后所述第一参数集值被更新；/n利用具有第二参数集值的第二机器学习模型，基于所述第一特征信息来生成针对所述第一输入数据的第一分类结果；/n利用具有更新后的所述第一参数集值的所述第一机器学习模型处理第二输入数据，以获得所述第二输入数据的第二特征信息；以及/n利用具有所述第二参数集值的所述第二机器学习模型，基于所述第二特征信息来生成针对所述第二输入数据的第二分类结果。/n

【技术特征摘要】
1.一种用于模型自适应的方法，包括：
利用具有第一参数集值的第一机器学习模型处理第一输入数据，以获得所述第一输入数据的第一特征信息，所述第一机器学习模型具有自组织能力并且在所述第一输入数据的处理后所述第一参数集值被更新；
利用具有第二参数集值的第二机器学习模型，基于所述第一特征信息来生成针对所述第一输入数据的第一分类结果；
利用具有更新后的所述第一参数集值的所述第一机器学习模型处理第二输入数据，以获得所述第二输入数据的第二特征信息；以及
利用具有所述第二参数集值的所述第二机器学习模型，基于所述第二特征信息来生成针对所述第二输入数据的第二分类结果。


2.根据权利要求1所述的方法，其中所述第一机器学习模型包括非监督脉冲神经网络(SNN)，并且
其中处理所述第一输入数据包括：将所述第一输入数据转换为所述非监督SNN适于处理的第一脉冲序列数据，并且
其中处理所述第二输入数据包括：将所述第一输入数据转换为所述非监督SNN适于处理的第二脉冲序列数据。


3.根据权利要求2所述的方法，其中所述第一机器学习模型被运行在神经形态芯片上。


4.根据权利要求1所述的方法，其中所述第一参数集值基于训练输入数据和针对所述训练输入数据的真实标签数据对所述第一机器学习模型进行训练而得到。


5.根据权利要求1所述的方法，其中所述第二机器学习模型的所述第二参数集值通过监督式学习过程而获得。


6.根据权利要求1所述的方法，进一步包括：
存储所述第一特征信息和所述第二特征信息中的至少一个；
根据确定获得针对所述第一输入数据的第一真实分类结果和针对所述第二输入数据的第二真实分类结果中的至少一个，并且确定所述第二机器学习模型的更新被触发，
利用所述第一特征信息和所述第一真实分类结果以及所述第二特征信息和所述第二真实分类结果中的至少一对，重新训练所述第二机器学习模型的副本模型，以更新所述第二参数集值；
根据在超过预定时间段之后没有获得针对所述第一输入数据的第一真实分类结果或针对所述第二输入数据的第二真实分类结果，丢弃所述第一特征信息或所述第二特征信息。


7.根据权利要求6所述的方法，进一步包括：
配置所述第二机器学习模型以具有更新后的所述第二参数集值。


8.一种电子设备，包括：
至少一个处理器；以及
存储有计算机程序指令的至少一个存储器，所述至少一个存储器和所述计算机程序指令被配置为，与所述至少一个处理器一起，使得所述电子设备执行动作，所述动作包括：
利用具有第一参数集值的第一机器学习模型处理第一输入数据，以获得所述第一输入数据的第一特征信息，所述第一机器学习模型具有自组织能力并且在所述第一输入数据的处理后所述第一参数集值被更新；
利用具有第二参数集值的第二机器学习模型，基于所述第一特征信息来生成针对所述第一输入数据的第一分类结果；
利用具有更新后的所述第一参数集值的所述第一机器学习模型处理第二输入数据，以获得所述第二输入数据的第二特征信息；以及
利用具有所述第二参数集值的所述第二机器学习模型，基于所述第二特征信息来生成针对所述第二输入数据的第二分类结果。


9.根据权利要求8所述的电子设备，其中所述第一机器学习模型包括非监督脉冲神经网络(SNN)，并且
其中处理所述第一输入数据包括：将所述第一输入数据转换为所述非监督SNN适于处理的第一脉冲序列数据，并且
其中处理所述第二输入数据包括：将所述第一输入数据转换为所述非监督SNN适于处理的第二脉冲序列数据。


10.根据权利要求9所述的电子设备，其中所述第一机器学习模型被运行在神经形态芯片上。


11.根据权利要求8所述的电子设备，其中所述第一参数集值基于训练输入数据和针对所述训练输...

【专利技术属性】
技术研发人员：王汇泽，李三平，李锦，
申请(专利权)人：伊姆西IP控股有限责任公司，
类型：发明
国别省市：美国;US