用于基于不纯数据来训练神经网络的方法和系统与流程

本申请一般涉及神经网络，并且更具体地涉及基于不纯(“impure”)数据来训练神经网络。

背景技术：

1、异常检测在许多领域中是至关重要的，包括恶意软件检测，视频监控和网络监测。

2、在异常检测领域中，用于训练神经网络模型以检测异常的方法通常依赖于无监督学习模型，该无监督学习模型需要用于训练的巨大的数据集。由于在这些巨大的数据集中可能存在大量的噪声，这些模型可能不是稳健的。此外，处理巨大的数据集还可能需要大量的计算资源。

3、提供增强的神经网络模型的稳健性和用于训练神经网络模型的更有效的系统和方法将是有利的。

技术实现思路

技术特征：

1.一种训练神经网络的计算机实现的方法，所述方法包括：

2.根据权利要求1所述的方法，其中所述最终机器学习单类别分类器包括自动编码器-解码器。

3.根据权利要求1所述的方法，其中所述最终机器学习单类别分类器包括长短期记忆自动编码器-解码器。

4.根据权利要求1所述的方法，其中表示所述信号的所述第三训练集合包括由所述粗分类器可检测但由所述噪声分类器不可检测的信息。

5.根据权利要求1所述的方法，其中应用所述模型的组合包括：

6.根据权利要求1所述的方法，其中所述最终机器学习单类别分类器能够检测使用第一操作系统而被收集的信息中的所述信号，所述第一操作系统不同于被用于收集排除所述信号的所述第二训练集合的第二操作系统。

7.根据权利要求1所述的方法，还包括：

8.根据权利要求7所述的方法，还包括：将所述模型的组合应用于所述多个训练集合，以创建表示用于所述第二训练阶段的所述信号的所述第三训练集合，其中将所述模型的组合应用于所述多个训练集合包括：将所述模型的组合应用于所述第一训练集合。

9.根据权利要求7所述的方法，其中将所述模型的组合应用于所述多个训练集合包括：

10.一种用于训练神经网络的系统，所述系统包括：

11.根据权利要求10所述的系统，其中所述最终机器学习单类别分类器包括自动编码器-解码器。

12.根据权利要求10所述的系统，其中所述最终机器学习单类别分类器包括长短期记忆自动编码器-解码器。

13.根据权利要求10所述的系统，其中表示所述信号的所述第三训练集合包括由所述粗分类器可检测但由所述噪声分类器不可检测的信息。

14.根据权利要求10所述的系统，其中在被执行时使所述处理器应用所述模型的组合的所述指令还使所述处理器：

15.根据权利要求10所述的系统，其中所述最终机器学习单类别分类器能够检测使用第一操作系统而被收集的信息中的所述信号，所述第一操作系统不同于被用于收集排除所述信号的所述第二训练集合的第二操作系统。

16.根据权利要求1所述的系统，其中所述指令在被执行时还使所述处理器：

17.根据权利要求16所述的系统，其中所述指令在被执行时还使所述处理器将所述模型的组合应用于所述多个训练集合，以创建表示用于所述第二训练阶段的所述信号的所述第三训练集合，其中将所述模型的组合应用于所述多个训练集合包括：将所述模型的组合应用于所述第一训练集合。

18.根据权利要求16所述的系统，其中在被执行时使所述处理器将所述模型的组合应用于所述多个训练集合的所述指令还使所述处理器：

19.一种存储用以训练神经网络的处理器可执行指令的非暂态计算机可读存储介质，所述处理器可执行指令在由处理器执行时使所述处理器：

20.根据权利要求19所述的非暂态计算机可读存储介质，其中所述最终机器学习单类别分类器包括自动编码器-解码器。

技术总结
本公开实施例涉及用于基于不纯数据来训练神经网络的方法和系统。用于训练神经网络的方法和系统。在第一训练阶段中，使用包括信号和噪声的第一训练集合来训练粗机器学习单类别分类器，以及使用排除该信号的第二训练集合来训练噪声机器学习单类别分类器。将包括噪声机器学习单类别分类器和粗机器学习单类别分类器的模型的组合应用于第一训练集合，以创建表示第二训练阶段的信号的第三训练集合。在第二训练阶段中，使用表示该信号的第三训练集合来训练最终机器学习单类别分类器。

技术研发人员：S·S·帕潘加佩
受保护的技术使用者：黑莓有限公司
技术研发日：
技术公布日：2024/1/13