选择学习模型的系统及选择学习模型的方法技术方案

课题在于，提供选择学习模型的系统及选择学习模型的方法，从训练完成的学习模型中选择利用于新任务的适合的学习模型。解决手段在于，存储装置存放多个现有学习模型各自的关联信息。处理器取得关于新任务的内容的信息，从用于新任务的新训练数据集提取新特征量矢量。处理器参照关联信息，取得关于多个现有模型各自的任务的内容的信息、以及多个现有模型各自的训练数据的特征量矢量。处理器基于关于新任务的内容的信息与关于多个现有模型各自的任务的信息之间的比较结果、以及新特征量矢量与多个现有模型各自的特征量矢量之间的比较结果，从多个现有模型选择用于新任务的候选学习模型。模型。模型。

【技术实现步骤摘要】
选择学习模型的系统及选择学习模型的方法


[0001]本专利技术涉及选择学习模型的系统。

技术介绍

[0002]对进行“长尾业务活动”(虽然有大量顾客，但关于各顾客只能利用极少的数据的业务活动)的企业而言，将以前开发的深度学习模型用于新的顾客是有益的。例如，专利文献1公开生成深度学习网络模型的方法。该方法从用户的多模式输入中提取与深度学习网络的生成相关联的1个以上的项目，基于该项目对源于深度学习网络模型的详情进行估计。该方法制作基于深度学习网络模型的中间表现，该中间表现包含与深度学习网络模型相关联的1个以上的数据项目、以及源于深度学习网络模型的1个以上的设计详情。该方法将中间表现自动地转换为源码。
[0003]在先技术文献
[0004]专利文献
[0005]专利文献1：美国专利申请公开第2018/0307978号

技术实现思路

[0006]专利技术所要解决的课题
[0007]但是，基于以下几个理由，难以将以前开发的深度学习模型用于新的顾客。这些理由有顾客的数据集间的域间隙(domain gap)、深本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种选择针对用户任务的学习模型的系统，包含：1个以上的处理器；以及1个以上的存储装置，所述1个以上的存储装置存放多个现有学习模型各自的关联信息，所述1个以上的处理器进行：取得关于新任务的内容的信息，从用于所述新任务的新训练数据集提取新特征量矢量，参照所述关联信息，取得关于所述多个现有学习模型各自的任务的内容的信息、以及所述多个现有学习模型各自的训练数据的特征量矢量，基于关于所述新任务的内容的信息与关于所述多个现有学习模型各自的任务的信息之间的比较结果、以及所述新特征量矢量与所述多个现有学习模型各自的特征量矢量之间的比较结果，从所述多个现有学习模型选择用于所述新任务的候选学习模型。2.如权利要求1所述的系统，所述1个以上的处理器判定所述新训练数据集中包含的样本在所述候选学习模型的训练中是否有害。3.如权利要求2所述的系统，在被判定为有害的样本的量为阈值以上的情况下，所述1个以上的处理器决定向所述新训练数据集追加新的样本。4.如权利要求3所述的系统，所述1个以上的处理器基于关于所述新任务的信息，检索向所述新训练数据集追加的新的样本，所述1个以上的处理器判定所述新的样本在所述候选学习模型的训练中是否有害。5.如权利要求1所述的系统，所述1个以上的处理器进行：从所述新训练数据集生成多个特征量矢量，基于所述多个特征量矢量与所述多个现有学习模型各自的特征量矢量之间的比较结果，从所述多个特征量矢量决定所述新特征量矢量。6.如权利要求1所述的系统，所述1个以上的处理器使用所述新训练数据集来训练所述候选学习模型。7.如权利要求6所述的系统，所述1个以上的处理器将所述新...

【专利技术属性】
技术研发人员：C，
申请(专利权)人：株式会社日立制作所，
类型：发明
国别省市：