【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...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。