[发明专利]适配预测模型

说明书

一种用于修改预测模型的方法和系统。特别地，所述预测模型的不准确度被归类为至少三个类别之一。根据不准确度的类别对所述预测模型做出不同的修改。在特定范例中，不准确度类别定义什么训练数据被用于修改所述预测模型。

技术领域

本发明涉及预测模型，并且特别地涉及用于适配预测模型的方法和系统。

背景技术

预测模型(诸如深度学习模型)日益使用在数据分析任务中，诸如图像分析和语音识别。通常，预测模型被应用于输入数据以预测对期望任务或问题的回答，即生成“预测的回答数据”。

典型的预测模型由一系列分析步骤形成，所述分析步骤顺序地应用于输入数据，从而生成预测的回答数据，其指示期望任务或问题的预测的结果。每个分析步骤通常被称为预测模型的“层”。

预测模型通常被调谐以执行特定任务，即被训练为使用训练数据回答特定问题。该过程涉及收集训练数据，其由输入数据和指示对期望任务/问题的实际/已知回答的对应的实际/已知回答数据形成。一般预测模型然后被应用于训练数据的输入数据以生成预测的回答数据(即，是预测模型的实际回答数据的预测)。该一般预测模型的参数然后基于预测的回答数据与实际回答数据(从训练数据获得的)之间的比较来修改，以便改进预测模型的性能。可以迭代地重复该训练过程。经修改的预测模型可以然后应用于输入数据的新实例以准确地预测回答数据。

然而，预测模型的一个问题在于，(一旦被训练)假定预测模型将继续准确地预测回答数据，该假定不总是适用。特别地，输入数据的性质和/或预测模型的准确度可以随时间改变，被称为“漂移”的现象。特别地，输入数据与实际回答数据之间的关系可以随时间改变，例如如果输入数据的性质/格式改变。

为了检测漂移的发生，可以提供新/经更新的训练数据。预测模型然后可以应用于新训练数据的输入数据，以生成适当的预测的回答数据，其然后与由新训练数据所提供的已知回答数据比较。以这种方式，预测模型的准确度可以被评估，并且漂移被检测。

通常，如果确定现有预测模型是不准确的，则新预测模型使用新训练数据从头开始建立，以确保预测模型准确地被带到为最新的。然而，预测模型的生成要求大量的(训练)数据、时间和处理能力。因此，期望一种生成预测模型的经改进的方法。

Khamassi，Imen等人的“Self-adaptive windowing approach for handlingcomplex concept drift.”(Cognitive Computation 7.6(2015):772-790)描述了一种用于检测数据流中的改变并且更新学习模型的方法。

Jadhav,Aditee和Leena Deshpande.的“An efficient approach to detectconcept drifts in data streams.”(2017IEEE 7th International Advance ComputingConference(IACC).IEEE,2017)描述了一种用于检测概念漂移的方法。

发明内容

本发明由权利要求书定义。

根据依据本发明的方面的范例，提供了一种修改预测模型的方法，其中，所述预测模型是基于现有训练数据来生成的并且适于处理输入数据以生成指示对涉及所述输入数据的预定问题的预测回答的预测回答数据。所述方法包括执行差异确定步骤，所述差异确定步骤包括：接收基准数据，所述基准数据包括范例输入数据和指示对涉及对应的范例输入数据的所述预定问题的实际或已知回答的对应的实际回答数据；使用所述预测模型来处理所述范例输入数据以基于所述范例输入数据来生成指示对所述预定问题的预测回答的预测回答数据；并且确定所述实际回答数据与所述预测回答数据之间的差异。所述方法还包括至少基于所述实际回答数据与所述预测回答数据之间的所述差异将所述预测模型的不准确度归类为至少三个类别中的一个；并且基于所述预测模型的不准确度的所述类别来修改所述预测模型。