[发明专利]学习装置和学习方法

权利要求书

1.一种被配置为通过梯度增强来进行学习的学习装置，其特征在于，包括：

多个数据存储单元，所述多个数据存储单元被配置为存储包括至少一种类型的特征量的学习数据和与所述学习数据相对应的梯度信息；

多个梯度输出单元，所述多个梯度输出单元对应于所述多个数据存储单元，并且每个所述梯度输出单元被配置为从所述多个数据存储单元中的对应的一个接收所述特征量和与特征量相对应的所述梯度信息的输入，并通过与输入的所述特征量的每个值相对应的输出端口，输出对应于所述特征量的所述梯度信息；

加法单元，所述加法单元被配置为将从所述多个梯度输出单元输出的多个梯度信息中的与相同值的所述特征量相对应的一个或多个梯度信息相加，并输出与所述特征量的每个值对应的所述梯度信息的相加值；和

直方图存储单元，所述直方图存储单元被配置为存储直方图，在每个值被设置为堆(bin)的情况下，对于每个堆，通过对从所述加法单元输出的与所述特征量的每个值对应的所述梯度信息的相加值进行积分而得到所述直方图。

2.根据权利要求1所述的学习装置，其特征在于，所述直方图存储单元包括：累加器，所述累加器被配置为存储通过针对所述特征量的每个堆对与所述特征量对应的所述梯度信息进行积分而获得的直方图。

3.根据权利要求1或2所述的学习装置，其特征在于，所述多个梯度输出单元中的每个包括：

确定单元，所述确定单元被配置为基于所述特征量来确定要通过哪个输出端口输出与输入的所述特征量相对应的所述梯度信息；和

选择器，所述选择器被配置为基于所述确定单元的确定结果，选择要通过哪个输出端口输出所述梯度信息，并且通过所选择的输出端口向所述加法单元输出所述梯度信息。

4.根据权利要求1至3中任一项所述的学习装置，其特征在于，对于从所述多个数据存储单元中的对应的一个读出的每种类型的所述特征量，设置所述多个梯度输出单元，对于每种类型的所述特征量设置所述加法单元，和

对于每个所述加法单元设置所述直方图存储单元。

5.根据权利要求1至4中任一项所述的学习装置，其特征在于，

所述梯度信息包括所述梯度增强中的一阶梯度和二阶梯度，

所述多个梯度输出单元被设置为与从所述多个数据存储单元中的对应的一个读出的所述一阶梯度和二阶梯度中的每个对应，

对应所述一阶梯度和所述二阶梯度的每一个提供所述加法单元，并且

对于每个所述加法单元设置所述直方图存储单元。

6.根据权利要求1至5中的任一项所述的学习装置，其特征在于，通过所述梯度增强对决策树进行学习。

7.根据权利要求1至5中的任一项所述的学习装置，其特征在于，对决策树进行学习，并且基于已经被学习的决策树的学习结果，通过所述梯度增强来对下一决策树进行学习。

8.根据权利要求6或7所述的学习装置，其特征在于，还包括：累积梯度计算器，所述累积梯度计算器被配置为：针对存储在所述直方图存储单元中的所述特征量的每个堆接收所述直方图的输入，并针对在决策树的节点处的所述特征量的每个阈值，计算对应于小于所述阈值的所述特征量的所述梯度信息的累加和，并且计算对应于大于或等于所述阈值的所述特征量的所述梯度信息的累加和。

9.根据权利要求8所述的学习装置，其特征在于，还包括：得分计算器，所述得分计算器被配置为基于由所述累积梯度计算器计算出的所述累积和，计算与每个所述累积和相对应的阈值的分支得分。

10.一种用于学习装置的学习方法，所述学习装置被配置为通过梯度增强来进行学习，所述学习方法包括：

对于被配置为存储包括至少一种类型的特征量的学习数据和与所述学习数据相对应的梯度信息的多个数据存储单元中的每一个，接收所述特征量和所述与所述特征量相对应的所述梯度信息的输入，并通过与输入的所述特征量的每个值相对应的输出端口，输出与所述特征量相对应的所述梯度信息；

将多个输出的所述梯度信息中的与相同值的所述特征量相对应的一个或多个梯度信息相加，并输出与所述特征量的每个值对应的所述梯度信息的相加值；

存储直方图，在每个值被设置为堆的情况下，对于每个堆，通过对与所述特征量的每个值对应的所述梯度信息的相加值进行积分而得到所述直方图。