[发明专利]计算机实施方法、计算机系统及计算机编程产品

说明书

本发明公开了一种计算机实施方法、计算机系统及计算机编程产品，其中，该计算机实施方法使用脏训练数据(dirty training data)来清洗神经网络(neural network)的训练数据集(set)的技术通过存取标签(labeled)训练数据集而开始，标签训练数据集包括相对脏的标签数据元素(element)。标签训练数据集分为第一子集A与第二子集B。过程包括在第一子集A与B之间循环，该过程包括产生第一子集A与B的已优化模型过滤子集(refined model‑filtered subset)，以提供已清洗数据集。每个已优化模型过滤子集可提高清洁度(cleanliness)并增加元素数量。

技术领域

本发明涉及一种计算机实施方法、计算机系统及计算机编程产品，用于训练神经网络以及使用已清洗数据来训练神经网络的清洗数据。

背景技术

本部分所讨论的主题不应仅因在本部分中提及而被认为是先前技术。类似地，本部分所提到的问题或与提供为发明背景的主题相关的问题不应被认为是先前技术中已认知的。本部分中的主题仅表示不同方法，而这些方法本身也可以对应于所要求保护的技术实施。

包括深度神经网络(deep neural network)的神经网络是一种人工神经网络(ANN，artificial neural network)，其使用多个非线性(nonlinear)且复杂的转换层(transforming layer)以连续地对高阶特征(high-level feature)进行建模(model)。神经网络透过倒传递法(backpropagation)提供反馈(feedback)，该反馈携带观察到的输出与预测输出之间的差异以调整参数。神经网络已经随着大型训练数据集(large trainingdataset)的可用性、并行且分布(parallel and distributed)计算的能力以及复杂训练算法(sophisticated training algorithm)而发展。神经网络促进了许多领域的重大进步，例如计算机视觉(computer vision)、语音识别(speech recognition)以及自然语言处理(natural language processing)。

卷积神经网络(CNN，convolutional neural network)与循环神经网络(RNN，recurrent neural network)可配置为深度神经网络(deep neural network)。尤其是卷积神经网络在图像识别方面取得了成功，卷积神经网络包含卷积层(convolution layer)、非线性层与池化层(pooling layer)的结构。循环神经网络被设计为利用输入数据的序列信息在像是感知器(perceptron)、长短期存储单元(long short-term memory unit)与栅控循环单元(gated recurrent unit)的区块之间建立循环连结。此外，在有限环境下提出了许多其他涌现出的深度神经网络，例如深度时空型神经网络(deep spatio-temporalneural network)、多维循环神经网络(multi-dimensional recurrent neural network)与卷积自动编码器(convolutional auto-encoder)。