【技术实现步骤摘要】
本公开总体上涉及使机器学习系统适配测试时的分布移位。
技术介绍
1、大多数现代深度网络在接近训练分布的新测试输入上表现良好。然而，在从不同分布抽取的测试输入上，该性能急剧降低。虽然在改进模型的鲁棒性方面有大量的工作，但大多数鲁棒的训练方法是针对它们的设置而高度专业化。例如，它们假设预先指定的扰动、亚群体和虚假相关性，或者从目标分布中访问未标记的数据，并且大多数方法在其训练之外对一般分布移位几乎没有提供改进。此外，在实践中，精确地表征模型可能遇到的所有可能的分布移位并且然后相应地训练通常是麻烦的(或者甚至是不可能的)。
技术实现思路
1、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。
2、根据至少一个方面，一种计算机实现的方法涉及使利用第一域中的训练数据训练的机器学习系统适配于利用第二域中的传感器数据操作。该方法包括从第二域获得传感器数据。该方法包括经由机器学习系统基于传感器数据生成预测数据。该方法包括基于利用预测数据评估的预定函数的梯度来生成伪参考数据。该方法包括基于伪参考数据和预测数据生成损失数据。该方法包括基于损失数据更新机器学习系统的参数数据。该方法包括在参数数据已经被更新之后，经由机器学习系统执行第二域中的任务。该方法包括基于在第二域中执行的任务来控制致动器。
3、根据至少一个方面，一种计算机实现的方法
4、根据至少一个方面，一种系统至少包括处理器和非暂时性计算机可读介质。非暂时性计算机可读介质与处理器进行数据通信。该非暂时性计算机可读介质具有包括存储在其上的指令的计算机可读数据，该指令当被处理器执行时，使得处理器执行一种方法，该方法用于使利用第一域中的训练数据训练的机器学习系统适配于利用第二域中的传感器数据操作。该方法包括从第二域获得传感器数据。该方法包括经由机器学习系统基于传感器数据生成预测数据。该方法包括基于利用预测数据评估的预定函数的梯度来生成伪参考数据。该方法包括基于伪参考数据和预测数据生成损失数据。该方法包括基于损失数据更新机器学习系统的参数数据。该方法包括在参数已经被更新之后，经由机器学习系统执行第二域中的任务。
5、本专利技术的这些和其他特征、方面和优点将根据附图在下面的详细描述中进行讨论，贯穿附图，相同的字符表示相似或相同的部分。
本文档来自技高网...【技术保护点】
1.一种计算机实现的方法，用于使利用第一域中的训练数据训练的机器学习系统适配于利用第二域中的传感器数据操作，所述计算机实现的方法包括：
2.根据权利要求1所述的计算机实现的方法，其中所述机器学习系统是分类器，其被配置为执行生成对输入数据进行分类的输出数据的任务。
3.根据权利要求1所述的计算机实现的方法，其中所述机器学习系统使用用于在第二域中生成伪参考数据的相同预定函数在第一域中进行训练。
4.根据权利要求1所述的计算机实现的方法，其中所述预定函数是与机器学习系统执行的任务相关的损失函数。
5.根据权利要求4所述的计算机实现的方法，其中所述损失函数是交叉熵损失函数、平方损失函数、铰链损失函数、正切损失函数、多元损失函数或逻辑损失函数。
6.根据权利要求1所述的计算机实现的方法，其中使用损失数据的缩放梯度来更新参数数据。
7.根据权利要求1所述的计算机实现的方法，其中所述传感器数据包括从一个或多个传感器获得的数字图像数据或数字音频数据。
8.一种用于机器学习系统从源域到目标域的测试时适配的计算机实现
9.根据权利要求8所述的计算机实现的方法，其中所述机器学习系统是分类器，其被配置为执行生成对输入数据进行分类的输出数据的任务。
10.根据权利要求8所述的计算机实现的方法，其中使用相同的预定函数在源域中训练机器学习系统。
11.根据权利要求8所述的计算机实现的方法，其中所述预定函数是与机器学习系统执行的任务相关的损失函数。
12.根据权利要求11所述的计算机实现的方法，其中所述损失函数是交叉熵损失函数、平方损失函数、铰链损失函数、正切损失函数、多元损失函数或逻辑损失函数。
13.根据权利要求8所述的计算机实现的方法，其中使用损失数据的缩放梯度来更新参数数据。
14.根据权利要求8所述的计算机实现的方法，其中所述传感器数据包括从一个或多个传感器获得的数字图像数据或数字音频数据。
15.一种系统，包括：
16.根据权利要求15所述的系统，其中：
17.根据权利要求15所述的系统，其中所述机器学习系统使用用于在第二域中生成伪参考数据的相同预定函数在第一域中进行训练。
18.根据权利要求15所述的系统，其中使用损失数据的缩放梯度来更新参数数据。
19.根据权利要求15所述的系统，进一步包括：
20.根据权利要求15所述的系统，进一步包括：
...【技术特征摘要】
1.一种计算机实现的方法，用于使利用第一域中的训练数据训练的机器学习系统适配于利用第二域中的传感器数据操作，所述计算机实现的方法包括：
2.根据权利要求1所述的计算机实现的方法，其中所述机器学习系统是分类器，其被配置为执行生成对输入数据进行分类的输出数据的任务。
3.根据权利要求1所述的计算机实现的方法，其中所述机器学习系统使用用于在第二域中生成伪参考数据的相同预定函数在第一域中进行训练。
4.根据权利要求1所述的计算机实现的方法，其中所述预定函数是与机器学习系统执行的任务相关的损失函数。
5.根据权利要求4所述的计算机实现的方法，其中所述损失函数是交叉熵损失函数、平方损失函数、铰链损失函数、正切损失函数、多元损失函数或逻辑损失函数。
6.根据权利要求1所述的计算机实现的方法，其中使用损失数据的缩放梯度来更新参数数据。
7.根据权利要求1所述的计算机实现的方法，其中所述传感器数据包括从一个或多个传感器获得的数字图像数据或数字音频数据。
8.一种用于机器学习系统从源域到目标域的测试时适配的计算机实现的方法，所述机器学习系统已经利用源域的训练数据进行了训练，所述计算机实现的方法包括：
9.根据权利要求8所述的计算机实现的方法，其...
【专利技术属性】
技术研发人员：M·孙，S·戈雅尔，A·拉古纳坦，J·柯尔特，林婉怡，
申请(专利权)人：罗伯特·博世有限公司，
类型：发明
国别省市：
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。