(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211394593.5 (22)申请日 2022.11.08 (71)申请人 苏州浪潮智能科技有限公司 地址 215000 江苏省苏州市吴中经济开发 区郭巷街道官浦路1号9幢 (72)发明人 张旭　孙华锦　王凛　吴睿振　 王小伟　 (74)专利代理 机构 北京连和连知识产权代理有 限公司 1 1278 专利代理师 刘小峰　张涛 (51)Int.Cl. G06N 20/00(2019.01) G06K 9/62(2022.01) (54)发明名称 一种提高工作机学习性能的方法、 装置、 设 备及介质 (57)摘要 本发明涉及机器学习领域， 提出一种提高工 作机学习性能的方法、 装置、 设备及介质。 方法包 括： 建立每个工作机对应的局部训练数据集， 并 通过高斯过程回归算法对所述局部训练数据集 进行训练， 以得到每个工作机对应的局部预测模 型； 通过服务器对所述每个工作机对应的局部预 测模型的数据设置不确定性的修正项并基于 rBCM聚合算法进行聚合， 得到全局预测模型； 将 所述全局预测模 型发送给所述每个工作机， 并对 所述每个工作机设置融合算法以及一个不确定 性测试数据集合进行融合， 以得到所述每个工作 机对应的预测误差最小模型。 本发 明公开的方法 可以显著提高工作机模型预测 融合后最终的学 习精度。 权利要求书3页 说明书11页 附图3页 CN 115456202 A 2022.12.09 CN 115456202 A 1.一种提高工作机学习性能的方法， 其特 征在于， 包括： 建立每个工作机对应的局部训练数据集， 并通过高斯过程 回归算法对所述局部训练数 据集进行训练， 以得到每 个工作机对应的局部预测模型； 通过服务器对所述每个工作机对应的局部预测模型的数据设置不确定性的修正项并 基于rBCM聚合算法进行聚合， 得到全局预测模型； 将所述全局预测模型发送给所述每个工作机， 并对所述每个工作机设置 融合算法以及 一个不确定性测试 数据集合进行融合， 以得到所述每 个工作机对应的预测误差最小模型。 2.根据权利要求1所述的方法， 其特征在于， 所述建立每个工作机对应的局部训练数据 集， 并通过高斯过程回归算法对所述局部训练数据集进行训练， 以得到每个工作机对应的 局部预测模型包括： 建立目标函数和每个工作机对应的局部训练数据集， 并通过所述局部训练数据集构建 测试数据集； 通过高斯过程回归算法使所述局部训练数据集在所述测试数据集上逼近所述目标函 数， 以得到所述每 个工作机对应的局部预测模型。 3.根据权利要求2所述的方法， 其特征在于， 所述建立目标函数和每个工作机对应的局 部训练数据集， 并通过 所述局部训练数据集构建测试 数据集包括： 计算每一个测试 数据到所述局部训练数据集的投影， 得到局部投影集 合； 基于所述局部投影集 合中的每 个投影点对应的邻域构建测试 数据集。 4.根据权利要求2所述方法， 其特征在于， 所述通过高斯过程 回归算法使所述局部训练 数据集在所述测试数据集上逼近所述目标函数， 以得到所述每个工作机对应的局部预测模 型包括： 对所述每个工作机在所述测试数据集上计算高斯后验概率分布， 得到所述每个工作机 对应的局部预测的期望和方差； 通过所述每个工作机对应的局部预测的期望和方差建立局部预测模型。 5.根据权利要求4所述的方法， 其特征在于， 所述对所述每个工作机在所述测试数据集 上计算高斯后验概 率分布， 得到所述每 个工作机对应的局部预测的期望和方差包括： 选择与计算高斯后验概率相匹配的核函数， 并基于所述核函数对所述每个工作机在所 述测试数据集上计算高斯后验概率分布， 得到所述每个工作机对应的局部预测的期望和方 差。 6.根据权利要求4所述的方法， 其特征在于， 所述通过服务器对所述每个工作机对应的 局部预测模型的数据设置不确定性的修正项并基于rBCM聚合算法进 行聚合， 得到全局预测 模型包括： 通过服务器对所述每 个工作机对应的局部预测的期望和方差设置不确定性的修 正项； 基于所述不确定性的修正项和rBCM聚合算法对所述每个工作机对应的局部预测的期 望和方差进行聚合， 得到全局预测模型。 7.根据权利要求6所述的方法， 其特征在于， 所述基于所述不确定性的修正项和rBCM聚 合算法对所述每个工作机对应的局部预测的期望和方差进行聚合， 得到全局预测模型包 括： 基于所述不确定性的修正项和rBCM聚合算法对所述每个工作机对应的局部预测的期权　利　要　求　书 1/3 页 2 CN 115456202 A 2望和方差进行聚合， 得到全局预测的期望和方差 。 8.根据权利要求7所述的方法， 其特征在于， 所述将所述全局预测模型发送给所述每个 工作机， 并对所述每个工作机设置融合算法以及一个不确定性测试数据集合进行融合， 以 得到所述每 个工作机对应的预测误差最小模型包括： 将所述全局预测的期望和方差发送给 所述每个工作机； 对所述每个工作机设置 融合算法以及一个不确定性测试数据集合进行融合， 以得到所 述每个工作机对应的预测误差最小模型。 9.根据权利要求8所述的方法， 其特征在于， 所述对所述每个工作机设置 融合算法以及 一个不确定性测试数据集合进 行融合， 以得到所述每个工作机对应的预测误差最小模型包 括： 根据所述全局预测的方差和所述每个工作机的局部预测的方差对所述每个工作机设 置融合算法和一个不确定性测试 数据集； 通过所述融合算法在所述不确定性测试数据集上得到所述每个工作机对应的预测误 差最小模型， 以实现在所述 不确定性测试 数据集上的期望值的误差最小。 10.根据权利要求9所述的方法， 其特征在于， 所述根据所述全局预测的方差和所述每 个工作机的局部预测的方差对所述每个工作机设置融合算法和 一个不确定性测试数据集 包括： 建立一个不确定性测试数据集， 并根据所述不确定性测试数据集中的数据的全局预测 的方差与局部预测的方差的大小为所述每 个工作机设置融合 算法。 11.根据权利要求10所述的方法， 其特征在于， 所述建立一个不确定性测试数据集， 并 根据所述不确定性测试数据集中的数据的全局预测的方差与局部预测的方差的大小为所 述每个工作机设置融合 算法包括： 响应于所述不确定性测试数据集中的数据的全局预测的方差不大于局部预测的方差， 使用所述全局预测模型作为所述工作机的预测误差最小模型。 12.根据权利要求10所述的方法， 其特征在于， 所述建立一个不确定性测试数据集， 并 根据所述不确定性测试数据集中的数据的全局预测的方差与局部预测的方差的大小为所 述每个工作机设置融合 算法还包括： 响应于所述不确定性测试数据集中的数据的全局预测的方差大于局部预测的方差， 使 用所述工作机对应的局部预测模型作为所述工作机的预测误差最小模型。 13.一种提高工作机学习性能的装置， 其特 征在于， 所述装置包括： 第一模块， 配置用于建立每个工作机对应的局部训练数据集， 并通过高斯过程回归算 法对所述局部训练数据集进行训练， 以得到每 个工作机对应的局部预测模型； 第二模块， 配置用于通过服务器对所述每个工作机对应的局部预测模型的数据设置不 确定性的修 正项并基于rBC M聚合算法进行聚合， 得到全局预测模型； 以及 第三模块， 配置用于将所述全局预测模型发送给所述每个工作机， 并对所述每个工作 机设置融合算法以及一个不确定性测试数据集合进行融合， 以得到所述每个工作机对应的 预测误差最小模型。 14.根据权利要求13所述的装置， 其特 征在于， 所述第一模块进一 步配置用于： 建立目标函数和每个工作机对应的局部训练数据集， 并通过所述局部训练数据集构建权　利　要　求　书 2/3 页 3 CN 115456202 A 3