[发明专利]数据驱动的深度学习模型泛化分析和改进

权利要求书

1.一种系统，包括：

存储器，所述存储器存储计算机可执行部件；和

处理器，所述处理器执行存储在所述存储器中的所述计算机可执行部件，其中所述计算机可执行部件包括：

数据特征提取部件，所述数据特征提取部件采用对抗性自动编码器来识别和提取包括在训练数据集中的第一训练数据特征和包括在目标数据集中的第一目标数据特征；

数据分析部件，所述数据分析部件基于所述第一训练数据特征与所述第一目标数据特征的比较，确定所述训练数据集与所述目标数据集之间的第一对应程度；和

目标数据可接受性部件，所述目标数据可接受性部件基于所述第一对应程度来确定是否继续将目标神经网络模型应用于所述目标数据集，其中所述目标神经网络模型是在所述训练数据集上训练的。

2.根据权利要求1所述的系统，其中所述数据分析部件基于所述训练数据特征来限定所述训练数据集的范围，并且基于所述目标数据特征是否在所述训练数据集的所述范围内来确定所述第一对应程度。

3.根据权利要求1所述的系统，其中所述第一对应程度指示基于所述应用而生成的结果的预测准确度水平。

4.根据权利要求1所述的系统，其中所述数据分析部件使用统计分析方法和机器学习方法确定所述对应程度。

5.根据权利要求1所述的系统，其中所述目标数据可接受性部件基于针对所述第一对应程度的第一限定可接受性标准来确定是否继续将所述目标神经网络模型应用于所述目标数据集。

6.根据权利要求5所述的系统，其中基于确定所述第一对应程度未能满足所述第一限定可接受性标准，所述目标数据可接受性部件确定将所述目标神经网络模型应用于所述目标数据集将不会生成具有可接受的准确度水平的结果，并且将所述目标数据集分类为不适用于所述目标神经网络模型。

7.根据权利要求5所述的系统，其中所述计算机可执行部件还包括：

模型应用部件，所述模型应用部件基于所述第一对应程度满足所述第一限定可接受性标准的第一确定，将所述目标神经网络模型的层子集应用于所述训练数据集和所述目标数据集；和

模型特征提取部件，所述模型特征提取部件提取基于将所述层子集应用于所述训练数据集而生成的第二训练数据特征，并提取基于将所述层子集应用于所述目标数据集而生成的第二目标数据特征。

8.根据权利要求7所述的系统，其中所述计算机可执行部件还包括：

模型分析部件，所述模型分析部件确定所述第二训练数据特征和所述第二目标数据特征之间的第二对应程度；和

模型可接受性部件，所述模型可接受性部件基于所述第二对应程度确定将所述目标神经网络模型应用于所述目标数据集是否将会生成具有可接受的准确度水平的结果。

9.根据权利要求8所述的系统，其中所述模型分析部件基于所述第二训练数据特征来限定所述目标神经网络模型的范围，并且基于所述第二目标数据特征是否在所述目标神经网络模型的所述范围内来确定所述第二对应程度。

10.根据权利要求8所述的系统，其中所述模型分析部件使用统计分析方法或机器学习方法确定所述第二对应程度。

11.根据权利要求8所述的系统，其中所述数据分析部件和所述模型分析部件使用相同的统计分析方法或相同的机器学习方法分别确定所述第一对应程度和所述第二对应程度。

12.根据权利要求8所述的系统，其中所述模型可接受性部件基于所述第二对应程度未能满足第二限定可接受性标准的第二确定，确定将所述目标神经网络模型应用于所述目标数据集将不会生成具有所述可接受的准确度水平的所述结果。