Die Erfindung betrifft ein Verfahren zum Trainieren eines maschinellen Lernsystems (1) zur Quantifizierung von Unsicherheiten (U) von Ausgabedaten (Y'). Dabei werden Trainingsdaten (X, Y), die Trainings-Eingabedaten (X) und Trainings-Zielwerte (Y) umfassen, bereitgestellt. Mittels dieser Trainingsdaten (X, Y) werden Parameter des maschinellen Lernsystems (1) derart angepasst, dass das maschinelle Lernsystem (1) bei Eingabe der Trainings-Eingabedaten (X) Ausgabedaten (Y'), die den Trainings-Zielwerten (Y) ähnlich sind, erzeugt; und Rekonstruktionsdaten (X'; Y''), die ein Maß der Bekanntheit von Trainingsdaten (X, Y) darstellen, erzeugt. Des Weiteren betrifft die Erfindung ein Verfahren zur Quantifizierung von Unsicherheiten (U) von Ausgabedaten (Y') eines maschinellen Lernsystems (1), das nach dem zuvor beschriebenen Verfahren trainiert wurde. Dabei werden von dem maschinellen Lernsystem (1) aus Eingabedaten (X) Ausgabedaten (Y') erzeugt und von dem maschinellen Lernsystem (1) Rekonstruktionsdaten (X'; Y'') erzeugt. Mittels einer Metrik (4), den Rekonstruktionsdaten (X'; Y'') und den Rekonstruktionsdaten (X'; Y'') entsprechenden Daten (X; Y') wird ein Abweichungswert erzeugt, wobei der Abweichungswert ein Maß für die Bekanntheit von Trainingsdaten (X, Y) für die Eingabedaten (X) ist, die Unsicherheit (U) der Ausgabedaten (Y') quantifiziert und den Ausgabedaten (Y') zugeordnet wird.

    The invention relates to a method for training a machine learning system (1) to quantify uncertainties (U) in output data (Y'). In this method, training data (X, Y), comprising training input data (X) and training target values (Y), are provided. These training data (X, Y) are used to adjust parameters of the machine learning system (1) such that the machine learning system (1), when the training input data (X) are input, generates output data (Y') similar to the training target values (Y); and generates reconstruction data (X'; Y'') that represent a measure of the familiarity of training data (X, Y). The invention furthermore relates to a method for quantifying uncertainties (U) in output data (Y') of a machine learning system (1) that has been trained in accordance with the method described above. In this method, the machine learning system (1) generates output data (Y') from input data (X) and the machine learning system (1) generates reconstruction data (X'; Y''). A metric (4), the reconstruction data (X'; Y'') and data (X; Y') corresponding to the reconstruction data (X'; Y'') are used to generate a deviation value, wherein the deviation value is a measure of the familiarity of training data (X, Y) for the input data (X), quantifies the uncertainty (U) in the output data (Y') and is assigned to the output data (Y').

    L'invention concerne un procédé d'entraînement d'un système d'apprentissage machine (1) pour quantifier des incertitudes (U) dans des données de sortie (Y'). Dans ce procédé, des données d'apprentissage (X, Y), comprenant des données d'entrée d'apprentissage (X) et des valeurs cibles d'apprentissage (Y), sont fournies. Ces données d'apprentissage (X, Y) sont utilisées pour ajuster des paramètres du système d'apprentissage machine (1) de telle sorte que le système d'apprentissage machine (1), lorsque les données d'entrée d'apprentissage (X) sont entrées, génère des données de sortie (Y') similaires aux valeurs cibles d'apprentissage (Y) ; et générer des données de reconstruction (X' ; Y'') qui représentent une mesure de la familiarité des données d'apprentissage (X, Y). L'invention concerne en outre un procédé de quantification d'incertitudes (U) dans des données de sortie (Y') d'un système d'apprentissage machine (1) entraîné selon le procédé décrit ci-dessus. Dans ce procédé, le système d'apprentissage machine (1) génère des données de sortie (Y') à partir de données d'entrée (X) et le système d'apprentissage machine (1) génère des données de reconstruction (X' ; Y''). Une mesure (4), les données de reconstruction (X' ; Y'') et les données (X ; Y') correspondant aux données de reconstruction (X' ; Y'') sont utilisées pour générer une valeur d'écart, la valeur d'écart étant une mesure de la familiarité des données d'apprentissage (X, Y) pour les données d'entrée (X), quantifiant l'incertitude (U) dans les données de sortie (Y') et étant attribuée aux données de sortie (Y').


    Access

    Download


    Export, share and cite



    Title :

    VERFAHREN UND SYSTEM ZUR QUANTIFIZIERUNG VON UNSICHERHEITEN VON AUSGABEDATEN EINES MASCHINELLEN LERNSYSTEMS SOWIE VERFAHREN ZUM TRAINIEREN EINES MASCHINELLEN LERNSYSTEMS


    Additional title:

    METHOD AND SYSTEM FOR QUANTIFYING UNCERTAINTIES IN OUTPUT DATA FROM A MACHINE LEARNING SYSTEM AND METHOD FOR TRAINING A MACHINE LEARNING SYSTEM
    PROCÉDÉ ET SYSTÈME DE QUANTIFICATION D'INCERTITUDES DANS DES DONNÉES DE SORTIE D'UN SYSTÈME D'APPRENTISSAGE MACHINE ET PROCÉDÉ D'APPRENTISSAGE D'UN SYSTÈME D'APPRENTISSAGE MACHINE


    Contributors:

    Publication date :

    2023-06-01


    Type of media :

    Patent


    Type of material :

    Electronic Resource


    Language :

    German


    Classification :

    IPC:    G06N COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS , Rechnersysteme, basierend auf spezifischen Rechenmodellen / B60W CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION , Gemeinsame Steuerung oder Regelung von Fahrzeug-Unteraggregaten verschiedenen Typs oder verschiedener Funktion