数据驱动的深度学习模型泛化分析和改进的制作方法

技术特征：
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。13.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满足针对所述第二对应程度的所述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。14.一种计算机实现的方法，包括：由可操作地耦接到处理器的系统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；由所述系统使用统计分析方法或机器学习分析方法，基于对所述第一训练数据特征与所述第一目标数据特征之间的对应的分析，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；以及由所述系统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。15.根据权利要求14所述的计算机实现的方法，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。16.根据权利要求14所述的计算机实现的方法，所述方法还包括：基于确定所述第一对应程度不满足阈值对应程度，由所述系统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以可接受的准确度水平生成；以及由所述系统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。17.根据权利要求14所述的计算机实现的方法，所述方法还包括：基于所述第一对应程度满足第一阈值对应程度的第一确定，由所述系统提取基于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而生成的第二训练数据特征；以及由所述系统提取基于将所述目标神经网络模型的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。18.根据权利要求17所述的计算机实现的方法，所述方法还包括：由所述系统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；以及由所述系统基于所述第二对应程度是否满足第二阈值对应程度来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。19.一种包括可执行指令的机器可读存储介质，所述可执行指令当由处理器执行时，促进操作的执行，所述操作包括：采用机器学习模型来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；基于对所述第一训练数据特征和所述第一目标数据特征之间的对应的分析，确定所述目标数据集是否在所述训练数据集的限定数据范围内；以及部分地基于所述目标数据集是否在所述训练数据集的所述限定数据范围内，确定将所述目标数据集应用于使用所述训练数据集开发的目标神经网络模型是否将会生成具有可接受的准确度水平的结果。20.根据权利要求19所述的机器可读存储介质，其中基于确定所述目标数据集在所述训练数据集的所述限定数据范围内，所述操作还包括：提取基于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而生成的第二训练数据特征；提取基于将所述目标神经网络模型的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；基于对所述第二训练数据特征和所述第二目标数据特征之间的对应的分析，确定所述目标数据集是否在所述目标神经网络模型的限定模型范围内；以及基于所述目标数据集是否在所述目标神经网络模型的所述限定范围内，进一步确定将所述目标数据集应用于所述目标神经网络模型是否将会生成具有所述可接受的准确度水平的所述结果。

技术总结
本发明提供了用于评估和限定数据驱动的深度学习模型的范围的技术。在一个实施方案中，提供了一种机器可读存储介质，该机器可读存储介质包括可执行指令，该可执行指令在由处理器执行时促进操作的执行，该操作包括采用机器学习模型来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。该操作还包括基于对第一训练数据特征和第一目标数据特征之间的对应的分析，确定目标数据集是否在训练数据集的限定数据范围内，以及基于目标数据集是否在限定数据范围内，确定将目标数据集应用于使用训练数据集开发的目标神经网络模型是否将会生成具有可接受的准确度水平的结果。受的准确度水平的结果。受的准确度水平的结果。


技术研发人员：金文 马梓力 张敏 戈帕尔
受保护的技术使用者：通用电气公司
技术研发日：2020.03.10
技术公布日：2021/11/28