-
公开(公告)号：CN112464965B
公开(公告)日：2024-06-21
申请号：CN201910842132.1
申请日：2019-09-06
Applicant: 富士通株式会社
IPC: G06F18/241 , G06F18/214 , G06N20/00
Abstract: 本公开涉及估计模型的准确性和鲁棒性的方法及其装置。根据本公开内容的一个实施例，该方法包括以下步骤：计算表征第一数据集中的样本在第二数据集中出现的可能性的参数；计算模型的针对第一数据集中的样本的准确性得分；以参数为权重基于准确性得分计算模型的针对第一数据集中样本的加权准确性得分；以及根据加权准确性得分计算模型的针对第一数据集的经调整的准确性作为模型的针对第二数据集的估计准确性。本公开内容的方法、装置至少能有助于实现如下效果之一：方便、准确、有效地估计模型的准确性和鲁棒性。
-
公开(公告)号：CN115034249A
公开(公告)日：2022-09-09
申请号：CN202110250275.0
申请日：2021-03-08
Applicant: 富士通株式会社
Abstract: 本公开内容涉及用于缺陷设备检测的特征向量提取方法、特征向量提取装置以及存储介质。根据本公开内容的一个实施例，该方法包括：获得第一震动振幅数据序列和第二震动振幅数据序列；基于第一震动振幅数据序列和第二震动振幅数据序列确定优势震动振幅指标；以及构建其分量包括优势震动振幅指标的特征向量。本公开内容的方法、装置和存储介质的有益效果至少包括以下中的至少一个：自动化、提高缺陷设备检测的效率和提高缺陷设备检测的准确度。
-
公开(公告)号：CN115479768B
公开(公告)日：2025-02-21
申请号：CN202110667165.4
申请日：2021-06-16
Applicant: 富士通株式会社
IPC: G01M13/021 , G01M13/028
Abstract: 本申请公开一种信息处理装置、信息处理方法和计算机可读存储介质。该信息处理装置包括：信号获取单元，被配置成在对象设备稳定运行的状态下，获取对象设备的测试信号；以及异常毛刺确定单元，被配置成确定测试信号中是否存在重复出现的并且没有发生局部聚集的异常毛刺。其中，异常毛刺指示对象设备出现异常。
-
公开(公告)号：CN111914862B
公开(公告)日：2023-07-11
申请号：CN201910384143.X
申请日：2019-05-09
Applicant: 富士通株式会社
IPC: G06F18/214
Abstract: 公开了用于基于目标空间内的目标对多目标模型进行训练的训练装置和训练方法。训练装置包括：目标空间设置单元，对所述目标空间进行设置，以获取具有不同难度级别的多个子目标空间；目标空间改变单元，将待处理的子目标空间从当前的子目标空间改变为具有更高难度级别的下一子目标空间；采样单元，选取目标作为采样目标，以及通过执行动作来获取与采样目标有关的迁移；训练单元，基于迁移对多目标模型进行训练；以及评估单元，通过计算实现当前的子目标空间内的目标的成功率来对多目标模型进行评估。其中，目标空间改变单元被配置成在成功率大于预定阈值的情况下，将待处理的子目标空间从当前的子目标空间改变到具有更高难度级别的下一子目标空间。
-
公开(公告)号：CN115479768A
公开(公告)日：2022-12-16
申请号：CN202110667165.4
申请日：2021-06-16
Applicant: 富士通株式会社
IPC: G01M13/021 , G01M13/028
Abstract: 本申请公开一种信息处理装置、信息处理方法和计算机可读存储介质。该信息处理装置包括：信号获取单元，被配置成在对象设备稳定运行的状态下，获取对象设备的测试信号；以及异常毛刺确定单元，被配置成确定测试信号中是否存在重复出现的并且没有发生局部聚集的异常毛刺。其中，异常毛刺指示对象设备出现异常。
-
Patent Agency Ranking
公开(公告)号：CN112464966A
公开(公告)日：2021-03-09
申请号：CN201910842524.8
申请日：2019-09-06
Applicant: 富士通株式会社
IPC: G06K9/62
Abstract: 本公开提供了鲁棒性估计方法、数据处理方法和信息处理设备。鲁棒性估计方法用于估计基于训练数据集通过训练预先获得的分类模型的鲁棒性，并且包括：针对训练数据集中的每个训练样本，确定目标数据集中与该训练样本的样本相似度在预定阈值范围内的目标样本，并计算分类模型对于该训练样本的分类结果与分类模型对于所确定的目标样本的分类结果之间的分类相似度；以及基于训练数据集中各个训练样本的分类结果与目标数据集中相对应的目标样本的分类结果之间的分类相似度，确定分类模型对目标数据集的分类鲁棒性。
-
公开(公告)号：CN113392967B
公开(公告)日：2024-11-08
申请号：CN202010165937.X
申请日：2020-03-11
Applicant: 富士通株式会社
IPC: G06N3/094 , G06F18/214 , G06N3/0475 , G06N3/045
Abstract: 公开了领域对抗神经网络的训练方法。该领域对抗神经网络包括：特征提取单元，其针对已标注的源数据提取第一特征，并且针对未标注的目标数据提取第二特征；标签预测单元，其基于第一特征来预测源数据的标签，并且基于第二特征来预测目标数据的标签；判别单元，其基于第一特征和第二特征来判别输入的数据是源数据还是目标数据。该训练方法包括：基于标签预测单元的输出来构建第一损失函数，其中，该第一损失函数是与源数据有关的预测损失；通过利用源数据和目标数据之间的联合概率密度比对第一损失函数加权而获得第二损失函数；利用第一损失函数和第二损失函数来训练标签预测单元和特征提取单元。
-
公开(公告)号：CN112464966B
公开(公告)日：2024-07-02
申请号：CN201910842524.8
申请日：2019-09-06
Applicant: 富士通株式会社
IPC: G06F18/241
Abstract: 本公开提供了鲁棒性估计方法、数据处理方法和信息处理设备。鲁棒性估计方法用于估计基于训练数据集通过训练预先获得的分类模型的鲁棒性，并且包括：针对训练数据集中的每个训练样本，确定目标数据集中与该训练样本的样本相似度在预定阈值范围内的目标样本，并计算分类模型对于该训练样本的分类结果与分类模型对于所确定的目标样本的分类结果之间的分类相似度；以及基于训练数据集中各个训练样本的分类结果与目标数据集中相对应的目标样本的分类结果之间的分类相似度，确定分类模型对目标数据集的分类鲁棒性。
-
公开(公告)号：CN113392967A
公开(公告)日：2021-09-14
申请号：CN202010165937.X
申请日：2020-03-11
Applicant: 富士通株式会社
Abstract: 公开了领域对抗神经网络的训练方法。该领域对抗神经网络包括：特征提取单元，其针对已标注的源数据提取第一特征，并且针对未标注的目标数据提取第二特征；标签预测单元，其基于第一特征来预测源数据的标签，并且基于第二特征来预测目标数据的标签；判别单元，其基于第一特征和第二特征来判别输入的数据是源数据还是目标数据。该训练方法包括：基于标签预测单元的输出来构建第一损失函数，其中，该第一损失函数是与源数据有关的预测损失；通过利用源数据和目标数据之间的联合概率密度比对第一损失函数加权而获得第二损失函数；利用第一损失函数和第二损失函数来训练标签预测单元和特征提取单元。
-
公开(公告)号：CN112464965A
公开(公告)日：2021-03-09
申请号：CN201910842132.1
申请日：2019-09-06
Applicant: 富士通株式会社
Abstract: 本公开涉及估计模型的准确性和鲁棒性的方法及其装置。根据本公开内容的一个实施例，该方法包括以下步骤：计算表征第一数据集中的样本在第二数据集中出现的可能性的参数；计算模型的针对第一数据集中的样本的准确性得分；以参数为权重基于准确性得分计算模型的针对第一数据集中样本的加权准确性得分；以及根据加权准确性得分计算模型的针对第一数据集的经调整的准确性作为模型的针对第二数据集的估计准确性。本公开内容的方法、装置至少能有助于实现如下效果之一：方便、准确、有效地估计模型的准确性和鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.034 seconds)
