IP-Coster | WO2023006373 | COMPUTER-IMPLEMENTED METHOD FOR GENERATING A COMBINED MACHINE LEARNING MODEL

Country	Stages	Total
China	Filing	973
EPO	Filing, Examination	4598
Japan	Filing	591
South Korea	Filing	575
USA	Filing, Examination	2710

Abstract[English] The invention is directed to a Computer-implemented method for generating a combined machine learning model, comprising the steps: a. Providing a trained unsupervised machine learning model for anomaly detection; wherein the unsupervised machine learning model is trained on the basis of unlabeled training data (S1); b. Determining at least one output label for each data item of a plurality of data items of unlabeled application data by applying the trained unsupervised machine learning model on the unlabeled application data with the plurality of data items; wherein the at least one determined output label is an anomaly or a normal state (S2); c. Transmitting the at least one determined output label to a user for verifying the at least one determined output label via a user interface (S3); d. Receiving at least one processed output label, at least one additional data item or at least one additional output label from the user via the user interface or maintaining the at least one determined output label unprocessed depending on the verification by the user (S4); e. Training at least one additional machine learning model for anomaly detection in accordance with the at least one processed output label, the at least one additional data item or the at least one additional output label (S5); f. Generating the combined machine learning model for anomaly detection using a connection function based on the trained unsupervised machine learning model and the at least one trained additional machine learning model (S6); and g. Providing the combined machine learning model as output (S7). Further, the invention relates to a computer program product and technical system.[French] L'invention concerne un procédé mis en oeuvre Par ordinateur pour générer un modèle d'apprentissage machine combiné, comprenant les étapes consistant à : a. fournir un modèle d'apprentissage machine non supervisé entraîné pour une détection d'anomalie ; le modèle d'apprentissage machine non supervisé étant entraîné sur la base de données d'apprentissage non étiquetées (S1) ; b. déterminer au moins une étiquette de sortie pour chaque élément de données d'une pluralité d'éléments de données de données d'application non étiquetées par application du modèle d'apprentissage machine non supervisé entraîné sur les données d'application non étiquetées avec la pluralité d'éléments de données ; ladite au moins une étiquette de sortie déterminée étant une anomalie ou un état normal (S2) ; c. transmettre la ou les étiquette(s) de sortie déterminée(s) à un utilisateur pour vérifier la ou les étiquette(s) de sortie déterminée(s) par l'intermédiaire d'une interface utilisateur (S3) ; d) recevoir au moins une étiquette de sortie traitée, au moins un élément de données supplémentaire ou au moins une étiquette de sortie supplémentaire provenant de l'utilisateur par l'intermédiaire de l'interface utilisateur ou maintenir la ou les étiquette(s) de sortie déterminée(s) non traitée(s) en fonction de la vérification effectuée par l'utilisateur (S4) ; e) entraîner au moins un modèle supplémentaire d'apprentissage machine pour une détection d'anomalie en fonction de la ou des étiquette(s) de sortie traitée(s), du ou des élément(s) de données supplémentaire(s) ou de la ou des étiquette(s) de sortie supplémentaire(s) (S5) ; f. générer le modèle d'apprentissage machine combiné pour une détection d'anomalie à l'aide d'une fonction de connexion basée sur le modèle d'apprentissage machine non supervisé entraîné et le ou les modèles d'apprentissage machine supplémentaires entraînés (S6) ; et g. fournir le modèle d'apprentissage machine combiné en tant que sortie (S7). En outre, la présente invention concerne un produit programme informatique et un système technique.

Total Number of Claims/PCT	*
Number of Independent Claims	*
Number of Priorities	*
Number of Multi-Dependent Claims	*
Number of Drawings	*
Pages for Publication	*
Number of Pages with Drawings	*
Pages of Specification	*
Sequence Listing	*
International Search Report is established	*
International Searching Authority	EPO *
Applicant's Legal Status	Legal Entity *
Small Entity	*
Non-Commercial Organization	*
Small Entity, USA	*
Micro Entity, USA	*
Entry into National Phase under	Chapter I *
Translation

WO2023006373 - COMPUTER-IMPLEMENTED METHOD FOR GENERATING A COMBINED MACHINE LEARNING MODEL

Quotation for National Phase entry