用于异常检测的域适配框架制造技术

提供了用于异常检测的域适配框架。一种计算机实现的系统和方法包括从第一域获得多个任务。机器学习系统被训练为执行第一任务。生成第一原型集合。第一原型集合与第一任务的第一类集合相关联。基于第一损失输出来更新机器学习系统。第一损失输出包括第一任务损失，其计及第一原型集合。机器学习系统被训练为执行第二任务。生成第二原型集合。第二原型集合与第二任务的第二类集合相关联。基于第二损失输出更新机器学习系统。第二损失输出包括第二任务损失，其计及第二原型集合。基于第二损失输出更新机器学习系统。用来自第二域的新任务来微调机器学习系统。微调机器学习系统。微调机器学习系统。

【技术实现步骤摘要】
用于异常检测的域适配框架


[0001]本公开总体上涉及机器学习系统，并且更具体地，涉及域转移适配和异常检测。

技术介绍

[0002]一般而言，异常检测涉及标识异常观察。尽管最近在异常检测方面存在一些进展，但关于利用深度学习方法的现有解决方案在分布外情景下将如何表现仍然存在一些不确定性。作为说明性示例，例如，异常检测可以用于经由音频数据监视工业设备。在这样的声学条件监视期间，对于现有解决方案将如何能够在各种分布外情景下标识工业设备中的异常观察(诸如当机器负载中存在转移时或者当存在环境噪声时)可能存在一些不确定性。

技术实现思路

[0003]下文是下面详细描述的某些实施例的概述。呈现所描述的方面仅仅是为了向读者提供这些特定实施例的简要概述，并且这些方面的描述不旨在限制本公开的范围。实际上，本公开可以涵盖下面可能没有明确阐述的多个方面。
[0004]根据至少一个方面，一种用于域适配的计算机实现的方法包括从第一域获得多个任务。所述多个任务至少包括第一任务和第二任务。机器学习系统被训练为执行第一任务。所述方法包括生成与第一任务的第一类集合相关联的第一原型集合。所述方法包括优化包括第一任务损失的第一损失输出。基于第一原型集合计算第一任务损失。所述方法包括基于第一损失输出更新机器学习系统。所述方法包括训练机器学习系统执行第二任务。所述方法包括生成与第二任务的第二类集合相关联的第二原型集合。所述方法包括优化包括第二任务损失的第二损失输出。基于第二原型集合计算第二任务损失。所述方法包括基于第二损失输出更新机器学习系统。所述方法包括从不同于第一域的第二域获得新任务。所述方法包括用新任务微调机器学习系统。
[0005]根据至少一个方面，一个或多个非暂时性计算机可读存储介质存储具有指令的计算机可读数据，当所述指令被一个或多个处理器执行时，使得所述一个或多个处理器执行用于域适配的方法。所述方法包括从第一域获得多个任务。所述多个任务至少包括第一任务和第二任务。所述方法包括训练机器学习系统执行第一任务。所述方法包括生成与第一任务的第一类集合相关联的第一原型集合。所述方法包括优化包括第一任务损失的第一损失输出。基于第一原型集合计算第一任务损失。所述方法包括基于第一损失输出更新机器学习系统。所述方法包括训练机器学习系统执行第二任务。所述方法包括生成与第二任务的第二类集合相关联的第二原型集合。所述方法包括优化包括第二任务损失的第二损失输出。基于第二原型集合计算第二任务损失。所述方法包括基于第二损失输出更新机器学习系统。所述方法包括从第二域获得新任务。所述方法包括用新任务微调机器学习系统。
[0006]根据至少一个方面，一种用于域适配的计算机实现的方法包括从源域中的多个任务中获得第一任务。第一任务包括第一支持集和第一查询集。所述方法包括响应于第一支持集，经由机器学习系统生成第一支持输出。所述方法包括使用第一支持输出针对第一任
务的每个类生成第一原型集合。所述方法包括响应于第一查询集，经由机器学习系统生成第一查询输出。所述方法包括计算第一损失输出。第一损失输出至少包括第一任务损失。基于第一原型集合和第一查询输出来计算第一任务损失。所述方法包括基于第一损失输出更新机器学习系统的参数。所述方法包括相对于所述多个任务中的剩余任务来训练机器学习系统。所述方法包括用来自目标域中的新任务的少样本(few
‑
shot)示例来微调机器学习系统。
[0007]本专利技术的这些和其他特征、方面和优点根据附图在下面的详细描述中进行讨论，遍及附图，同样的字符表示相似或同样的部分。
附图说明
[0008]图1是根据本公开的示例实施例的与域转移适配相关的系统的示例的图。
[0009]图2是图示了根据本公开的示例实施例的与使机器学习系统适配于新条件的技术问题相关联的方面的概念图。
[0010]图3是图示了根据本公开的示例实施例的与训练阶段相关联的方面的概念图。
[0011]图4是图示了根据本公开的示例实施例的与推断阶段相关联的方面的概念图。
[0012]图5是图示了根据本公开的示例实施例的少样本分类的概念图。
[0013]图6是图示了根据本公开的示例实施例的域适配过程的至少一部分的方面的概念图，该域适配过程包括多目标元学习。
[0014]图7描绘了根据本公开的示例实施例的计算机控制的机器和控制系统之间的交互的示意图。
[0015]图8描绘了根据本公开的示例实施例的图7的控制系统的示意图，该控制系统被配置为控制至少部分或完全自主的移动机器。
[0016]图9描绘了根据本公开的示例实施例的图7的控制系统的示意图，该控制系统被配置为控制制造系统的制造机器，诸如生产线的一部分。
[0017]图10描绘了根据本公开的示例实施例的图7的控制系统的示意图，该控制系统被配置为控制具有至少部分自主模式的电动工具。
[0018]图11描绘了根据本公开的示例实施例的图7的控制系统的示意图，该控制系统被配置为控制自动化个人助理。
[0019]图12描绘了根据本公开的示例实施例的图7的控制系统的示意图，该控制系统被配置为控制监视系统。
[0020]图13描绘了根据本公开的示例实施例的图7的控制系统的示意图，该控制系统被配置为控制医学成像系统。
具体实施方式
[0021]通过前面的描述将理解已经作为举例示出和描述的本文描述的实施例以及其许多优点，并且将清楚的是，在不脱离所公开的主题或者不牺牲其一个或多个优点的情况下，可以在组件的形式、构造和布置方面进行各种改变。实际上，这些实施例的描述形式仅仅是解释性的。这些实施例容许各种修改和替代形式，并且以下权利要求旨在涵盖和包括这样的改变，并且不限于所公开的特定形式，而是覆盖落在本公开的精神和范围内的所有修改、
等效物和替代物。
[0022]图1是根据示例实施例的系统100的非限制性示例的图，该系统100被配置为训练、采用和/或部署至少一个机器学习系统140。系统100至少包括具有至少一个处理设备的处理系统110。例如，处理系统110至少包括电子处理器、中央处理单元(CPU)、图形处理单元(GPU)、微处理器、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、任何合适的处理技术或其任何数量和组合。处理系统110可操作来提供如本文描述的功能性。
[0023]系统100包括存储器系统120，其操作性地连接到处理系统110。在示例实施例中，存储器系统120包括至少一个非暂时性计算机可读存储介质，其被配置为存储各种数据并提供对各种数据的访问，以使得至少处理系统110能够执行如本文所公开的操作和功能性。在示例实施例中，存储器系统120包括单个存储器设备或多个存储器设备。存储器系统120可以包括电、电子、磁、光、半导体、电磁或可与系统100一起操作的任何合适的存储技术。例如，在示例实施例中，存储器系统120可以包括随机存取存储器(RAM)、只读存储器(ROM)、闪速存储器、磁盘驱动器、存储卡、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于域适配的计算机实现的方法，包括：从第一域获得多个任务，所述多个任务至少包括第一任务和第二任务，训练机器学习系统执行第一任务；生成与第一任务的第一类集合相关联的第一原型集合；优化包括第一任务损失的第一损失输出，所述第一任务损失是基于第一原型集合计算的；基于第一损失输出更新机器学习系统；训练机器学习系统执行第二任务；生成与第二任务的第二类集合相关联的第二原型集合；优化包括第二任务损失的第二损失输出，第二任务损失是基于第二原型集合计算的；基于第二损失输出更新机器学习系统；从第二域获得新任务；以及用新任务微调机器学习系统。2.根据权利要求1所述的计算机实现的方法，其中：第一任务包括第一支持集和第一查询集；使用第一支持集计算第一原型集合；以及使用第一查询集计算第一任务损失。3.根据权利要求1所述的计算机实现的方法，其中：第二任务包括第二支持集和第二查询集；使用第二支持集计算第二原型集合；以及使用第二查询集计算第二任务损失。4.根据权利要求1所述的计算机实现的方法，其中：用第一任务训练机器学习系统第一多次；以及用第二任务训练机器学习系统第二多次。5.根据权利要求1所述的计算机实现的方法，进一步包括：获得与新任务相关联的样本输入数据；响应于样本输入数据，经由机器学习系统生成样本输出数据；基于样本输出数据针对每个样本输入数据生成异常评分；以及当相关联的异常评分与预期值的差异超过阈值时，指示特定样本是否异常。6.根据权利要求1所述的计算机实现的方法，其中用新任务微调机器学习系统的步骤包括：获得与新任务相关联的少样本示例；经由机器学习系统响应于少样本示例生成少样本输出数据；生成与新任务的新类集合相关联的新原型集合；优化包括新任务损失的新损失输出，所述新任务损失基于新原型集合和少样本输出数据；以及基于新损失输出更新机器学习系统。7.根据权利要求1所述的计算机实现的方法，进一步包括：基于不属于第一任务的正态分布的离群数据来计算离群损失，
其中基于第一任务损失和离群损失来计算第一损失输出。8.一个或多个非暂时性计算机可读存储介质，其存储具有指令的计算机可读数据，所述指令当由一个或多个处理器执行时，使得所述一个或多个处理器执行用于域适配的方法，所述方法包括：从第一域获得多个任务，所述多个任务至少包括第一任务和第二任务，训练机器学习系统执行第一任务；生成与第一任务的第一类集合相关联的第一原型集合；优化包括第一任务损失的第一损失输出，所述第一任务损失是基于第一原型集合计算的；基于第一损失输出更新机器学习系统；训练机器学习系统执行第二任务；生成与第二任务的第二类集合相关联的第二原型集合；优化包括第二任务损失的第二损失输出，第二任务损失是基于第二原型集合计算的；基于第二损失输出更新机器学习系统；从第二域获得新任务；以及用新任务微调机器学习系统。9.根据权利要求8所述的一个或多个非暂时性计算机可读存储介质，其中：第一任务包括第一支持集和第一查询集；使用第一支持集生成第一原型集合；以及使用第一查询集计算第一任务损失。10.根据权利要求8所述的一个或多个非暂时性计算机可读存储介质，其中：第二任务包括第二支持集和第二查询集；使用第二支持集计算第二原型集合；以及使用第二查询集计算第二任务损失。11.根据权利要求8所述的一个或...

【专利技术属性】
技术研发人员：陈冰清，L，
申请(专利权)人：罗伯特，
类型：发明
国别省市：