用于使用仿真数据集训练机器学习模型的系统和方法与流程

摘要: 背景技术:1、负责任地使用数据是任何机器学习实现方式中不可或缺的一部分。机器学习开发人员必须仔细收集和整理其数据集,并且记录其来源。在过去的几年里,机器学习模型...
用于使用仿真数据集训练机器学习模型的系统和方法与流程

背景技术:

1、负责任地使用数据是任何机器学习实现方式中不可或缺的一部分。机器学习开发人员必须仔细收集和整理其数据集,并且记录其来源。在过去的几年里,机器学习模型的尺寸和复杂性显著增加。这些模型需要大量的数据和计算能力来训练,以至于训练语料库中的任何缺陷都无法通过从头开始再训练模型来补救。尽管对训练数据进行了复杂的控制并且投入了大量精力来确保训练数据集的正确组成,但模型所需的大量数据使得手动检查包括训练数据集的每个数据变得具有挑战性。

技术实现思路

1.一种方法,包括:

2.一种方法,包括:

3.根据权利要求2所述的方法,其中所述第一机器学习模型是生成式机器学习模型。

4.根据权利要求2至3中任一项所述的方法,还包括:

5.根据权利要求2至4中任一项所述的方法,还包括:

6.根据权利要求2至5中任一项所述的方法,其中验证所述阈值差异存在还包括确定所述第一数据和第二数据之间的距离满足阈值。

7.根据权利要求2至6中任一项所述的方法,其中第一数据的一部分被维持在所述第二数据中。

8.根据权利要求2至7中任一项所述的方法,其中所述初始训练数据集包括一个或多个图像,其中所述第一数据包括所述一个或多个图像中包括的生物特征信息,并且其中所述第二数据缺乏所述生物特征信息。

9. 一种系统,包括:

10.根据权利要求9所述的系统,其中所述第一机器学习模型是生成式机器学习模型。

11.根据权利要求9至10中任一项所述的系统,其中所述一个或多个处理器还被配置为执行所述计算机可执行指令以:

12.根据权利要求9至11中任一项所述的系统,其中所述一个或多个处理器还被配置为执行所述计算机可执行指令以:

13.根据权利要求9至12中任一项所述的系统,其中验证所述阈值差异存在还包括确定所述第一数据和第二数据之间的距离满足阈值。

14.根据权利要求9至13中任一项所述的系统,其中第一数据的一部分被维持在所述第二数据中。

15.根据权利要求9至14中任一项所述的系统,其中所述初始训练数据集包括一个或多个图像,其中所述第一数据包括所述一个或多个图像中包括的生物特征信息,并且其中所述第二数据缺乏所述生物特征信息。