TRAINING A MACHINE LEARNING CLASSIFIER

• Main Authors: ROMANO, Simone, FLANAGAN, Adrian, VAN HEESWIJK, Mark, JUUTI, Mika, GRIGORIEVSKIY, Alexander, ALI KHAN, Suleiman, FERNANDEZ STRAHL, Jonathan, TAN, Kuan
• Format: Patent
• Language: English; French
• Published: 02.12.2021
• Subjects: CALCULATING; COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS; COMPUTING; COUNTING; ELECTRIC DIGITAL DATA PROCESSING; PHYSICS

A method of training a machine-learning classifier for classifying input data is disclosed. The method allows the safe use of training data labelled for classifications different to the classifications of interest for improving the training of the encoding layers of the machine- learning classifier, e.g. for increasing the vocabulary of the encoding space, whilst reducing potential negative effects of training data that is of low relevance to the classification task (i.e. low relevance to the classifications of interest). This may increase the volume of data available for training the classifier, thereby advantageously improving the eventual prediction performance/accuracy of the classifier, whilst ensuring that weights of operations of the classifier are not corrupted by data that is irrelevant or lowly relevant to the classification task. L'invention concerne un procédé d'apprentissage d'un classificateur d'apprentissage automatique pour classifier des données d'entrée. Le procédé permet l'utilisation sûre de données d'apprentissage marquées pour des classifications différentes des classifications d'intérêt en vue d'améliorer l'apprentissage des couches de codage du classificateur d'apprentissage automatique, par exemple pour augmenter le vocabulaire de l'espace de codage, tout en réduisant les effets négatifs potentiels des données d'apprentissage qui sont de faible pertinence par rapport à la tâche de classification (c'est-à-dire faible pertinence par rapport aux classifications d'intérêt). Ceci permet d'augmenter le volume de données disponibles pour entraîner le classificateur, ce qui permet d'améliorer avantageusement les performances/la précision de prédiction éventuelle du classificateur, tout en garantissant que les poids des opérations du classificateur ne sont pas corrompus par des données qui ne sont pas pertinentes ou peu pertinentes pour la tâche de classification.