WO2026143085 - SYSTEM AND METHOD FOR STABILIZING NEURAL PATHWAYS IN EARLY-PHASE ARTIFICIAL NEURAL NETWORK TRAINING
National phase entry is expected:
Publication Number
WO/2026/143085
Publication Date
02.07.2026
International Application No.
PCT/US2025/061088
International Filing Date
23.12.2025
Title **
[English]
SYSTEM AND METHOD FOR STABILIZING NEURAL PATHWAYS IN EARLY-PHASE ARTIFICIAL NEURAL NETWORK TRAINING
[French]
SYSTÈME ET PROCÉDÉ DE STABILISATION DE VOIES NEURONALES LORS DE LA PHASE PRÉCOCE D'APPRENTISSAGE DE RÉSEAU NEURONAL ARTIFICIEL
Applicants **
ELY, Joshua, Jarod
Inventors
ELY, Joshua, Jarod
Priority Data
19/001,566
26.12.2024
US
Application details
| 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 | * |
| * | |
| Number of Office Actions | * |
| * | |
International Searching Authority |
USPTO
* |
| * | |
| Recordal of a Change of the Applicant's Name/Address |
Change of Applicant's Name and Address
* |
| Type of Assignment |
The Standard Agent's Assignment
* |
| Applicant's Legal Status |
Natural Person
* |
| * | |
| * | |
| * | |
| * | |
| * | |
| Entry into National Phase under |
Chapter II
* |
| * | |
| * | |
| * | |
| Patent Delivery |
Send the Letters Patent by Courier
* |
| Translation |
|
* The data is based on automatic recognition. Please verify and amend if necessary.
** IP-Coster compiles data from publicly available sources. If this data includes your personal information, you can contact us to request its removal.
Quotation for National Phase entry
| Country | Stages | Total | |
|---|---|---|---|
| China | Filing, Examination, Granting | 1999 | |
| EPO | Filing, Examination, Granting | 8625 | |
| Japan | Filing, Examination, Granting | 2090 | |
| South Korea | Filing, Examination, Granting | 1918 | |
| USA | Filing, Examination, Granting | 4310 |
Total:
18,942
Contact Us
Abstract[English]
A method and system for training an artificial neural network (ANN) is disclosed, specifically addressing the technical problem of training instability caused by randomly initialized weights. The invention introduces a novel, multi-phase training protocol executed by a processor. During an initial stabilization phase, the processor modifies the backpropagation of a weighted loss function by deprioritizing training on data from classes for which the ANN has a confidence level below a predetermined low threshold (e.g., less than or equal to 25 percent). This initial, focused training prevents erratic gradient updates to the weights of the network's layers, thereby forming stable and rigorous foundational neural pathways. Subsequent to the stabilization phase, a dynamic training phase commences where the network trains on the full dataset, with the training focus adjusted in real-time to reinforce the stable pathways. This protocol results in faster training convergence, a more robust final model, and improved accuracy, particularly for complex datasets, representing a significant technical improvement to the functioning of machine learning systems.[French]
L'invention concerne un procédé et un système d'apprentissage d'un réseau neuronal artificiel (ANN) qui aborde plus particulièrement le problème technique de l'instabilité de l'apprentissage provoquée par l'initiation aléatoire de poids. L'invention introduit un nouveau protocole d'apprentissage multiphase exécuté par un processeur. Pendant une phase de stabilisation initiale, le processeur modifie la rétropropagation d'une fonction de perte pondérée par dépriorisation d'un apprentissage sur des données provenant de classes pour lesquelles l'ANN présente un niveau de confiance inférieur à un seuil bas prédéterminé (par exemple, inférieur ou égal à 25 pour cent). Cet apprentissage initial focalisé empêche des mises à jour erratiques de gradient appliquées aux poids des couches du réseau, formant ainsi des voies neuronales fondatrices stables et rigoureuses. Suite à la phase de stabilisation, une phase d'apprentissage dynamique commence au cours de laquelle le réseau s'entraîne sur l'ensemble de données complet, l'objectif de l'apprentissage étant ajusté en temps réel pour renforcer les voies stables. Ce protocole permet une convergence d'apprentissage plus rapide, un modèle final plus robuste et une précision améliorée, en particulier pour des ensembles de données complexes, représentant une amélioration technique significative du fonctionnement de systèmes d'apprentissage automatique.