【技术实现步骤摘要】
本公开涉及用于训练机器学习模型的方法。
技术介绍
1、诸如神经网络的机器学习模型典型地是基于输出和目标输出(例如标签形式的地面实况)之间的偏差来加以训练的。在此，大量训练输入数据元素被输送到相应的机器学习模型，并且由个体损失(每个训练输入数据元素的个体损失)形成总损失。在此，训练输入数据元素对于训练的重要性可能非常不同，即，例如机器学习模型应该对仅反映在少数训练输入数据元素中的特殊性特别敏感。
2、因此，期望一种用于训练机器学习模型的方法，其中训练的焦点在于对于相应任务的训练具有高度重要性的训练输入数据元素。
技术实现思路
1、根据各种实施方式，提供了一种用于训练机器学习模型的方法，具有：确定训练输入数据元素的大量训练序列，其中对于每个训练序列，每个训练输入数据元素包含来自分配给该训练序列的时间段的一个时间点的传感器数据，在所述时间段中预给定事件在一个或多个相应的事件时间点至少发生一次；针对每个训练输入数据元素确定所述训练输入数据元素包含传感器数据时的时间点与所述一个或多个相应...
【技术保护点】
1.一种用于训练机器学习模型的方法，具有：
2.根据权利要求1所述的方法，其中所述训练具有：
3.根据权利要求2所述的方法，其中针对所述训练输入数据元素确定的时间距离的绝对值越小，所述加权因子就越大。
4.根据权利要求2或3所述的方法，其中所述加权因子取决于所述训练输入数据元素包含传感器数据时的时间点是在所述一个或多个相应事件时间点之一之前还是之后。
5.根据权利要求1至4中任一项所述的方法，其中从所述训练输入数据元素中选择训练输入数据元素，其中每个训练输入数据元素被选择的概率取决于针对该训练输入数据元素确定的时间距离，...
【技术特征摘要】
1.一种用于训练机器学习模型的方法，具有：
2.根据权利要求1所述的方法，其中所述训练具有：
3.根据权利要求2所述的方法，其中针对所述训练输入数据元素确定的时间距离的绝对值越小，所述加权因子就越大。
4.根据权利要求2或3所述的方法，其中所述加权因子取决于所述训练输入数据元素包含传感器数据时的时间点是在所述一个或多个相应事件时间点之一之前还是之后。
5.根据权利要求1至4中任一项所述的方法，其中从所述训练输入数据元素中选择训练输入数据元素，其中每个训练输入数据元素被选择的概率取决于针对该训练输入数据元素确定的时间距离，并且借助于所选择的训练输入数据元素来训练所述机器学习模型。
6.根据权利要求5所述的方法，其中针对所述训练输入数据元素确定的时间距离的绝对值越小，所述概率就越大。
7.根据权...
【专利技术属性】
技术研发人员：J·瓦格纳，N·O·菲尔古松，S·沙伊德勒，姚宇，A·库马尔，B·拉基奇，E·科斯曼，G·古尔孙，M·赫尔曼，
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。