放射性数据生成制造技术

本文公开了一种用于放射性数据生成的系统、方法和设备。可以在具有多类数据的数据集中的至少一个类的数据内应用或插入定义的标记。定义的标记数据可以用于确定神经网络模型是否使用相应类的数据进行了训练。一种设备可以确定神经网络模型的特性。该设备可以将神经网络模型的特性与结合到第一类数据中的定义的标记数据的特性进行比较。该设备可以响应于该比较来确定神经网络模型是否使用具有多类数据的数据集进行了训练，该多类数据包括结合有定义的标记数据的第一类数据。有定义的标记数据的第一类数据。有定义的标记数据的第一类数据。

【技术实现步骤摘要】
【国外来华专利技术】放射性数据生成
[0001]相关申请的交叉引用
[0002]本申请要求2020年1月10日提交的第62/959,427号美国临时专利申请的优先权，出于所有目的，该美国临时专利申请通过引用以其整体并入。
[0003]公开领域
[0004]本公开总体上涉及神经网络中的计算，包括但不限于用于放射性数据生成的系统和方法。
[0005]背景
[0006]人工智能(AI)处理可以从多个不同的发起者接收多个数据集，例如，以使用包括从多个源检索的数据的大规模公共数据集执行机器学习，而不必知道哪个源(例如，发起者)提供了数据集的哪个部分。因此，对于相应数据的发起者来说，可能会出现关于隐私和知识产权保护的问题或疑问。例如，一旦数据集被释放或提供到具有多个数据集的大规模数据集中，发起者可能难以识别、控制或限制对发起者的相应数据集的访问。
[0007]概述
[0008]本文提供了用于放射性数据生成的设备、系统和方法。一种设备可以将定义的标记(例如，放射性标记)应用于数据集内的数据，使得该定义的标记修改在相应数据集上训练的神经网络模型的特性。神经网络的修改后的特性可以用于向数据集的发起者告知和/或通知他们各自的数据集已经(例如，在神经网络的训练期间)被神经网络模型处理。在一些实施例中，一种设备可以实施或执行标记阶段、训练阶段和/或检测阶段中的一个或更多个，以识别神经网络是否已经处理特定数据集。在标记阶段，该设备可以将定义的标记插入或应用到数据集中的至少一类数据。该类数据可以包括或对应于完整数据集的一部分(例如，少于完整数据集的全部)。在训练阶段，该设备可以向神经网络提供数据以训练相应的神经网络。数据集可以包括已标记数据和/或未标记数据。在一些实施例中，该设备可以通过使用已标记数据和/或未标记数据以及用于训练神经网络的分类器向量的学习算法来训练神经网络。在检测阶段，该设备可以确定已标记数据是否被用于训练神经网络。例如，该设备可以接收或获得神经网络的特性和/或来自神经网络的输出，并且可以将这些特性与定义的标记的特性(例如，方向向量)进行比较。响应于该比较，该设备可以部分地基于神经网络的特性和定义的标记的特性之间的相似度得分来确定神经网络是使用已标记数据还是使用未标记数据进行了训练。
[0009]在至少一个方面，提供了一种方法。该方法可以包括由至少一个处理器确定神经网络模型的特性。该方法可以包括由至少一个处理器将神经网络模型的特性与结合到第一类数据中的定义的标记数据的特性进行比较。该方法可以包括：由至少一个处理器响应于该比较来确定神经网络模型是否使用具有多类数据的数据集进行了训练，该多类数据包括结合有所定义的标记数据的第一类数据。
[0010]在一些实施例中，该方法可以包括将定义的标记数据结合到第一类数据中的数据中。神经网络模型的特性可以包括神经网络模型的分类器向量，而定义的标记数据的特性可以包括定义的标记数据的方向向量。该方法可以包括确定分类器向量和方向向量之间的
余弦相似度。
[0011]在一些实施例中，神经网络模型的特性可以包括由于将没有定义的标记数据的第一数据应用于神经网络模型而得到的第一损失值，并且定义的标记数据的特性可以包括由于将结合有定义的标记数据的第二数据应用于神经网络模型而得到的第二损失值。该方法可以包括：响应于第一损失值高于第二损失值，确定神经网络模型使用具有多类数据的数据集进行了训练，该多类数据包括结合有定义的标记数据的第一类数据。定义的标记数据可以包括对第一类数据中的数据应用的随机各向同性单位向量。数据集可以包括图像数据、音频数据或视频数据中的至少一种。第一类数据可以包括连续信号。
[0012]在至少一个方面，提供了一种方法。该方法可以包括确定神经网络模型的分类器向量。该方法可以包括确定分类器向量和定义的标记数据的方向向量之间的余弦相似度。该方法可以包括根据余弦相似度确定神经网络模型是否使用具有多类数据的数据集进行了训练，该多类数据包括结合了定义的标记数据的第一类数据。
[0013]在一些实施例中，该方法可以包括确定针对神经网络的由于将没有定义的标记数据的第一数据应用于神经网络模型而得到的第一损失值，以及确定针对定义的标记的由于将结合有定义的标记数据的第二数据应用于神经网络模型而得到的第二损失值。该方法可以包括：响应于第一损失值高于第二损失值，确定神经网络模型使用具有多类数据的数据集进行了训练，该多类数据包括结合有定义的标记数据的第一类数据。定义的标记数据可以包括对第一类数据中的数据应用的随机各向同性单位向量。
[0014]在至少一个方面，提供了一种设备。该设备可以包括至少一个处理器。该至少一个处理器可以被配置为确定神经网络模型的特性。该至少一个处理器可以被配置为将神经网络模型的特性与结合到第一类数据中的定义的标记数据的特性进行比较。该至少一个处理器可以被配置为响应于该比较，确定神经网络模型是否使用具有多类数据的数据集进行了训练，该多类数据包括结合有定义的标记数据的第一类数据。
[0015]在一些实施例中，该至少一个处理器可以被配置为将定义的标记数据结合到第一类数据的数据中。神经网络模型的特性可以包括神经网络模型的分类器向量，而定义的标记数据的特性可以包括定义的标记数据的方向向量。该至少一个处理器可以被配置为确定分类器向量和方向向量之间的余弦相似度。
[0016]在一些实施例中，神经网络模型的特性可以包括由于将没有定义的标记数据的第一数据应用于神经网络模型而得到的第一损失值，并且定义的标记数据的特性可以包括由于将结合有定义的标记数据的第二数据应用于神经网络模型而得到的第二损失值。该至少一个处理器可以被配置为响应于第一损失值高于第二损失值，确定神经网络模型使用具有多类数据的数据集进行了训练，该多类数据包括结合有定义的标记数据的第一类数据。定义的标记数据包括对第一类数据中的数据应用的随机各向同性单位向量。
[0017]下面详细讨论这些和其他方面和实现。前述信息和以下详细描述包括各种方面和实现的说明性示例，并且提供了用于理解所要求保护的方面和实现的性质和特征的综述或框架。附图提供了对各种方面和实现的说明和进一步理解，并且被结合在本说明书中并构成本说明书的一部分。
[0018]附图简述
[0019]附图不意在按比例绘制。各个附图中相同的附图标记和名称表示相同的元件。为
了清楚起见，并非每个部件都可以在每个图中进行标记。在附图中：
[0020]图1A是根据本公开的示例实现的用于执行人工智能(AI)相关处理的系统的实施例的框图。
[0021]图1B是根据本公开的示例实现的用于执行AI相关处理的设备的实施例的框图。
[0022]图1C是根据本公开的示例实现的用于执行AI相关处理的设备的实施例的框图。
[0023]图1D是根据本公开的示例实现的计算环境的框图。
[0024]图2是根据本公开的示例实现的用于放射性数据生成的系统的实施例的框图。
[0025]图3A
‑
图3B包括示出根本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种方法，包括：由至少一个处理器确定神经网络模型的特性；由所述至少一个处理器将所述神经网络模型的所述特性与结合到第一类数据中的定义的标记数据的特性进行比较；和由所述至少一个处理器响应于所述比较，确定所述神经网络模型是否使用具有多类数据的数据集进行了训练，所述多类数据包括结合有所述定义的标记数据的所述第一类数据。2.根据权利要求1所述的方法，还包括将所述定义的标记数据结合到所述第一类数据中的数据中。3.根据权利要求1所述的方法，其中，所述神经网络模型的所述特性包括所述神经网络模型的分类器向量，而所述定义的标记数据的所述特性包括所述定义的标记数据的方向向量。4.根据权利要求3所述的方法，其中，所述比较包括确定所述分类器向量和所述方向向量之间的余弦相似度。5.根据权利要求1所述的方法，其中，所述神经网络模型的所述特性包括由于将没有所述定义的标记数据的第一数据应用于所述神经网络模型而得到的第一损失值，而所述定义的标记数据的所述特性包括由于将结合有所述定义的标记数据的第二数据应用于所述神经网络模型而得到的第二损失值。6.根据权利要求5所述的方法，包括响应于所述第一损失值高于所述第二损失值，确定所述神经网络模型使用具有所述多类数据的所述数据集进行了训练，所述多类数据包括结合有所述定义的标记数据的所述第一类数据。7.根据权利要求1所述的方法，以及以下项中的任一项成立：a)其中，所述定义的标记数据包括对所述第一类数据中的数据应用的随机各向同性单位向量；或b)其中，所述数据集包括图像数据、音频数据或视频数据中的至少一种；或c)其中，所述第一类数据包括连续信号。8.一种方法，包括：确定神经网络模型的分类器向量；确定所述分类器向量与定义的标记数据的方向向量之间的余弦相似度；和根据所述余弦相似度确定所述神经网络模型是否使用具有多类数据的数据集进行了训练，所述多类数据包括结合了所述定义的标记数据的第一类数据。9.根据权利要求8所述的方法，还包括：确定针对所述神经网络的由于将没有所述定义的标记数据的第一数据应用于所述神经网络模型而得...

【专利技术属性】
技术研发人员：亚历山大，
申请(专利权)人：元平台技术有限公司，
类型：发明
国别省市：