导语:富士康宽学习技术正在发展中,创建数据项的组合以提取大量假设该技术将数据项的所有组合模式视为假设,然后基于标签类别的命中率确定每个假设的重要程度。调整知识块的影响程度。继续阅读,你将会了解更多。
宽学习技术的特点包括以下两点。1.创建数据项的组合以提取大量假设该技术将数据项的所有组合模式视为假设,然后基于标签类别的命中率确定每个假设的重要程度。例如,在分析购买某些产品的人的趋势时,系统会将数据项中的各种模式与已购买或未购买的产品(类别标签)相结合,例如20-34岁之间拥有驾驶执照的单身女性然后分析当这些组合模式被视为假设时,实际购买者的数据中获得的点击次数。实现命中率高于某一水平的假设被定义为重要假设,称为“知识块”。这意味着即使目标数据不足,系统也可以提取所有值得研究的假设。
2.调整知识块的影响程度,以建立准确的分类模型。该系统基于多个提取的知识块和目标标签构建分类模型。在该过程中,如果构成知识块的项经常与构成其他知识块的项重叠,则系统控制它们的影响程度,以减少它们对分类模型的影响的权重。
以这种方式,即使当目标标签或标记为正确的数据不平衡时,系统也可以训练能够进行精确分类的模型。例如,在未进行购买的人构成物品购买数据集的绝大部分的情况下,如果在不控制影响程度的情况下训练AI,则知识块包括人是否具有许可证,不分性别,对分类没有太大影响。
富士通实验室对该技术进行了试验,将其应用于数字营销和医疗保健等领域的数据。在使用UC Irvine机器学习库的营销和医疗保健领域的基准数据进行的测试中,与深度学习相比,该技术将准确性提高了约10-20%。它成功地降低了系统忽视可能订购服务的客户或病情约20-50%的患者的概率。在营销数据中,在测试中使用的大约5,000个客户数据条目中,仅约230个用于购买客户,从而产生不平衡的集合。
这项技术将销售促销中排除的潜在客户数量从深度学习分析的结果减少到了120个。此外,判断对于在社会中实施这项技术也很有用。即使在确定需要对模型进行校正时,基于新数据的结果,也可以进行更适当的修订,因为用户可以理解结果的原因。
结语:富士通实验室将继续将这项技术应用于需要人工智能判断背后的理由,例如金融交易和医疗诊断,以及处理低频现象(如欺诈和设备故障)的任务,目标是将其商业化为富士通实验室将在2019财年支持富士通有限公司富士通人力中心AI Zinrai 的新机器学习技术。富士通实验室还将有效利用该技术的特色解释,继续研究和开发各种主题,例如改进对任务的判断和决策的支持。它应用于整个系统设计,包括与人类的合作。
领取专属 10元无门槛券
私享最新 技术干货