[发明专利]机器学习系统、机器学习方法及其非暂态电脑可读媒体

说明书

本公开涉及机器学习系统、机器学习方法及其非暂态电脑可读媒体。一机器学习系统包含一存储器以及一处理器。该处理器用以存取并执行该存储器存储的至少一指令以：输入一原始数据至一神经网络的一第一分区，其中该第一分区至少包含该神经网络中的一激励函数，该激励函数用以转换该原始数据为非可逆的一元数据，其中该元数据被用以传输至该神经网络的一第二分区以产生对应于该原始数据的一学习结果。本发明可兼顾机器学习的有效性以及训练样本的保密性。

技术领域

本发明涉及一种计算系统、计算方法以及用以计算的非暂态电脑可读媒体(medium，介质)。详细而言，本发明涉及一种用以执行机器学习任务的系统、方法以及非暂态电脑可读媒体。

背景技术

近期以来，神经网络以及深度学习被有效地应用于不同的技术领域，例如，其可应用于机器视觉、语音辨识以及机器翻译等领域当中。然而，为了以具有较高的机敏程度的训练样本进行训练以及学习，应思考如何兼顾深度学习的有效性以及训练样本的保密性。

发明内容

本发明的一方面涉及一种机器学习系统。该机器学习系统包含一存储器以及一处理器，该处理器通信耦接于该存储器。该存储器存储至少一指令。该处理器用以存取并执行该至少一指令以：输入一原始数据(raw data)至一神经网络(neural network)的一第一分区(first partition)，其中该第一分区至少包含该神经网络当中的一激励函数(activation function layer，激励函数层)，该激励函数用以转换(transform)该原始数据为非可逆(irreversible)的一元数据(metadata)，其中该元数据被用以传输至该神经网络的一第二分区(second partition)以产生对应于该原始数据的一学习结果。

在一实施例中，机器学习系统还包含一服务器，该服务器通信耦接于该处理器，其中该服务器用以接收该元数据，并将该元数据输入至该神经网络中接续于该第一分区的该第二分区以产生该学习结果。

在另一实施例中，该激励函数为该神经网络中次序为首的非线性(nonlinear)激励函数。

在又一实施例中，该激励函数为一阶层式非线性函数，且依据一分割数量该阶层式非线性函数的一定义域被分割为多个区间，该些区间各自于该阶层式非线性函数的一值域中对应一固定数值。

在再一实施例中，该激励函数对应于一切分值，该切分值与该些区间的一数量具有一比值，该激励函数将比较一输入值以及该切分值以取得一比较结果，该激励函数依据该比值、该比较结果与该输入值产生该元数据。

在一实施例中，该分割数量介于一第一数值与一第二数值间。

在另一实施例中，该分割数量的大小对应于该原始数据的内容复杂度。

在又一实施例中，该第一分区包含一卷积(convolution)层。

在再一实施例中，该第二分区包含一卷积(convolution)层、一池化(pooling)层以及一全连接(fully connected)层中的至少一者。

本发明的另一方面涉及一种机器学习方法。该机器学习方法由一处理器所执行。该机器学习方法包含下列步骤：输入一原始数据至一神经网络的一第一分区，其中该第一分区至少包含该神经网络当中的一激励函数，该激励函数用以转换该原始数据为非可逆的一元数据，其中该元数据被用以传输至该神经网络的一第二分区以产生对应于该原始数据的一学习结果。

在一实施例中，机器学习方法还包含：传输该元数据至一服务器；以及该服务器接收该元数据，并将该元数据输入至该神经网络中接续于该第一分区的该第二分区以产生该学习结果。

在另一实施例中，该激励函数为该神经网络中次序为首的非线性激励函数。