构建AI集成模型的方法、AI集成模型的推理方法及装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115964632A(43)申请公布日2023.04.14(21)申请号202110977566.XG06N5/04(2023.01)(22)申请日2021.08.24G06N20/00(2019.01)(66)本国优先权数据202110602479.62021.05.31CN(71)申请人华为云计算技术有限公司地址550025贵州省贵阳市贵安新区黔中大道交兴功路华为云数据中心(72)发明人常建龙张恒亨姜娜娜魏龙辉张晓鹏谢凌曦田奇(74)专利代理机构深圳市深佳知识产权代理事务所(普通合伙)44285专利代理师罗晓敏(51)Int.Cl.G06F18/214(2023.01)G06N3/0464(2023.01)权利要求书4页说明书23页附图8页(54)发明名称构建AI集成模型的方法、AI集成模型的推理方法及装置(57)摘要本申请提供了一种构建人工智能(AI)集成模型的方法，包括：获取训练数据集、初始图网络模型和多个基模型，然后利用训练数据集中的训练数据和多个基模型，迭代训练初始图网络模型，获得图网络模型，接着将图网络模型和多个基模型构建为AI集成模型，其中，图网络模型的输入为由多个基模型的输出构成的图结构。由于图网络模型在对图结构进行处理时，会考虑图结构中各节点的邻居节点，因此，图网络模型在对多个基模型的输出进行融合时，充分考虑了各个基模型之间的差异性和相关性，由此根据AI集成模型中的多个基模型和图网络模型获得的特征在用于AI任务的处理时，可以提高AI任务的执行结果的精度。CN115964632ACN115964632A权利要求书1/4页1.一种构建人工智能AI集成模型的方法，其特征在于，包括：获取训练数据集、初始图网络模型和多个基模型，其中，每个基模型为经过训练后的AI模型；利用所述训练数据集中的训练数据和所述多个基模型，迭代训练所述初始图网络模型，获得图网络模型；将所述图网络模型和所述多个基模型构建为所述AI集成模型，其中，所述图网络模型的输入为由所述多个基模型的输出构成的图结构。2.根据权利要求1所述的方法，其特征在于，在利用所述训练数据集中的训练数据和所述多个基模型，迭代训练所述初始图网络模型的过程中，每次迭代包括：将所述训练数据集中的第一训练数据分别输入至每个基模型，获得每个基模型对所述第一训练数据进行推理后的输出；将所述多个基模型对所述第一训练数据进行推理后的输出构建成图结构；利用所述图结构训练所述初始图网络模型。3.根据权利要求1或2所述的方法，其特征在于，所述多个基模型包括以下类型的AI模型中的一种或多种：决策树模型、随机森林模型和神经网络模型。4.根据权利要求1或2所述的方法，其特征在于，所述获得多个基模型包括：训练超网络，从所述超网络中获得多个基模型。5.根据权利要求4所述的方法，其特征在于，所述训练超网络，从所述超网络中获得多个基模型，包括：利用所述训练数据集中的训练数据训练超网络，获得第i个基模型，所述i为正整数；根据所述第i个基模型的性能更新所述训练数据集中的训练数据的权重；利用更新权重后的所述训练数据集中的训练数据训练所述超网络，获得第i+1个基模型。6.根据权利要求5所述的方法，其特征在于，所述根据所述第i个基模型的性能更新所述训练数据集中的训练数据的权重，包括：当所述第i个基模型在第二类别的训练数据的性能高于在第一类别的训练数据的性能时，增加所述训练数据集中的第一类别的训练数据的权重，和/或降低所述训练数据集中的第二类别的训练数据的权重。7.根据权利要求5所述的方法，其特征在于，所述利用更新权重后的所述训练数据训练所述超网络，包括：利用更新权重后的所述训练数据，微调所述超网络。8.根据权利要求2所述的方法，其特征在于，所述将所述多个基模型对所述第一训练数据进行推理后的输出构建成图结构，包括：确定所述多个基模型中每两个基模型对所述第一训练数据进行推理后的输出之间的相似度；以所述多个基模型中每个基模型对所述第一训练数据进行推理后的输出为图结构的节点，根据所述相似度确定所述节点之间的边，根据所述节点和所述边获得所述图结构。9.根据权利要求1或2所述的方法，其特征在于，所述图网络模型包括以下模型中的任意一种：图卷积网络模型、图注意力网络模型、图自动编码器模型、图生成网络模型或者图2CN115964632A权利要求书2/4页时空网络模型。10.根据权利要求9所述的方法，其特征在于，当所述图网络模型为图卷积网络模型时，所述图卷积网络模型为由切比雪夫网络化简得到的图卷积网络模型。11.一种人工智能AI集成模型的推理方法，其特征在于，所述方法应用于推理装置，所述AI集成模型包括图网络模型和多个基模型，包括：获取输入数据；将所述输入数据分别输入所述A