[发明专利]往复式生成模型

权利要求书

1.一种针对K个类训练往复式生成模型集合的方法，所述方法包括：

初始化将传感器数据分类成所述K个类的K个生成模型的集合，使得当被训练时，所述K个生成模型的集合中的每个生成模型被配置为将示例分类在所述K个类中相应一个类中或从其分类出来；

对于所述K个生成模型中的每个生成模型，

从训练数据中采样如被分类为属于生成模型的类的生成模型的分布内样本，

从训练数据中采样如被分类为不属于生成模型的类的生成模型的分布外样本，

从往复式生成模型集合中除生成模型之外的每个剩余的互逆生成模型生成分布外样本，以提供被分类为不属于生成模型的类的附加样本，以及

根据分布内样本、分布外样本和生成的分布外样本更新生成模型的参数，以关于分布内样本最小化损失函数，从而最大化样本属于生成模型的类的似然性，并且关于采样的分布外样本和生成的分布外样本二者最大化损失函数，从而最小化样本不属于生成模型的类的似然性；以及

利用如经训练的所述K个生成模型的集合以用于关于所述K个类对传感器数据进行分类。

2.根据权利要求1所述的方法，进一步包括在每个生成模型的参数的更新中，利用（i）分布内样本与分布外样本之间的平衡因子以及（ii）现实样本与合成样本之间的平衡因子。

3.根据权利要求1所述的方法，其中根据以下方差式更新生成模型的参数：

，

其中是相应的生成模型，是分布内样本与分布外样本之间的平衡因子，、是来自训练数据的现实分布外样本与生成的分布外样本之间的平衡因子，是损失函数，是分布内样本，是现实分布外样本，并且是生成的分布外样本。

4.根据权利要求1所述的方法，其中传感器数据通过视频传感器、雷达传感器、LiDAR传感器、超声传感器或运动传感器中的一个或多个接收。

5.根据权利要求1所述的方法，进一步包括响应于基于传感器数据关于所述K个类的分类而生成的信号，控制机器人、车辆、家用器具、电动工具、制造机器、个人助理或访问控制系统中的一个或多个。

6.根据权利要求1所述的方法，其中所述K个生成模型的集合在学习之前被初始化为随机值。

7.一种用于针对K个类训练往复式生成模型集合的系统，所述系统包括：

计算设备的处理器，处理器被编程为

初始化将传感器数据分类成所述K个类的K个生成模型的集合，使得当被训练时，所述K个生成模型的集合中的每个生成模型被配置为将示例分类在所述K个类中相应一个类中或从其分类出来；

对于所述K个生成模型中的每个生成模型，

从训练数据中采样如被分类为属于生成模型的类的生成模型的分布内样本，

从训练数据中采样如被分类为不属于生成模型的类的生成模型的分布外样本，

从往复式生成模型集合中除生成模型之外的每个剩余的互逆生成模型生成分布外样本，以提供被分类为不属于生成模型的类的附加样本，以及

根据分布内样本、分布外样本和生成的分布外样本更新生成模型的参数，以关于分布内样本最小化损失函数，从而最大化样本属于生成模型的类的似然性，并且关于采样的分布外样本和生成的分布外样本二者最大化损失函数，从而最小化样本不属于生成模型的类的似然性；以及

利用如经训练的K个生成模型的集合来关于所述K个类对传感器数据进行分类。

8.根据权利要求7所述的系统，其中处理器进一步被编程为利用（i）分布内样本与分布外样本之间的平衡因子以及（ii）现实样本与合成样本之间的平衡因子，来更新每个生成模型的参数。

9.根据权利要求7所述的系统，其中处理器进一步被编程为根据以下方差式更新生成模型的参数：

，

其中是相应的生成模型，是分布内样本与分布外样本之间的平衡因子，、是来自训练数据的现实分布外样本与生成的分布外样本之间的平衡因子，是损失函数，是分布内样本，是现实分布外样本，并且是生成的分布外样本。