【技術實現步驟摘要】
本公開涉及在機器學習操作中處理標記數據。
技術介紹
1、在一些實現中，機器學習被用于分類輸入數據。例如，機器學習模型可以被用于惡意軟件檢測，以分類軟件代碼是否可以包含惡意軟件代碼，并且由此導致安全風險。機器學習操作也可以被用于成像處理以分類圖像的內容，或者被用于語音識別以分類音頻數據的文本。機器學習模型可以被用于其它應用。
技術實現思路
【技術保護點】
1.一種方法，包括：
2.根據權利要求1所述的方法，其中所述調整得分基于所述標記數據的所述分類結果的標準差而被確定。
3.根據權利要求2所述的方法，其中所述調整得分還基于縮放因子而被確定。
4.根據權利要求1所述的方法，其中所述標記數據中的每個標記數據表示軟件代碼，并且所述標記指示所述軟件代碼是否是潛在惡意的。
5.根據權利要求1所述的方法，其中所述多個機器學習模型是虛擬集成的一部分。
6.根據權利要求5所述的方法，其中在所述多個機器學習模型中的每個神經元與隨機函數相關聯，所述隨機函數返回指示符以指示所述神經元是開啟還是關閉。
7.根據權利要求1所述的方法，其中確定是否重新標記一個或多個標記數據包括：比較所述一個或多個標記數據的所述標記不確定性得分與配置閾值。
8.一種計算機可讀介質，所述計算機可讀介質包含指令，所述指令在被執行時，使得計算設備執行操作，所述操作包括：
9.根據權利要求8所述的計算機可讀介質，其中所述調整得分基于所述標記數據的所述分類結果的標準差而被確定。
11.根據權利要求8所述的計算機可讀介質，其中所述標記數據中的每個標記數據表示軟件代碼，并且所述標記指示所述軟件代碼是否是潛在惡意的。
12.根據權利要求8所述的計算機可讀介質，其中所述多個機器學習模型是虛擬集成的一部分。
13.根據權利要求12所述的計算機可讀介質，其中在所述多個機器學習模型中的每個神經元與隨機函數相關聯，所述隨機函數返回指示符以指示所述神經元是開啟還是關閉。
14.根據權利要求8所述的計算機可讀介質，其中確定是否重新標記一個或多個標記數據包括：比較所述一個或多個標記數據的所述標記不確定性得分與配置閾值。
15.一種電子設備，包括：
16.根據權利要求15所述的電子設備，其中所述調整得分基于所述標記數據的所述分類結果的標準差而被確定。
17.根據權利要求16所述的電子設備，其中所述調整得分還基于縮放因子而被確定。
18.根據權利要求16所述的電子設備，其中所述標記數據中的每個標記數據表示軟件代碼，并且所述標記指示所述軟件代碼是否是潛在惡意的。
19.根據權利要求16所述的電子設備，其中所述多個機器學習模型是虛擬集成的一部分。
20.根據權利要求19所述的電子設備，其中在所述多個機器學習模型中的每個神經元與隨機函數相關聯，所述隨機函數返回指示符以指示所述神經元是開啟還是關閉。
...【技術特征摘要】
1.一種方法，包括：
2.根據權利要求1所述的方法，其中所述調整得分基于所述標記數據的所述分類結果的標準差而被確定。
3.根據權利要求2所述的方法，其中所述調整得分還基于縮放因子而被確定。
4.根據權利要求1所述的方法，其中所述標記數據中的每個標記數據表示軟件代碼，并且所述標記指示所述軟件代碼是否是潛在惡意的。
5.根據權利要求1所述的方法，其中所述多個機器學習模型是虛擬集成的一部分。
6.根據權利要求5所述的方法，其中在所述多個機器學習模型中的每個神經元與隨機函數相關聯，所述隨機函數返回指示符以指示所述神經元是開啟還是關閉。
7.根據權利要求1所述的方法，其中確定是否重新標記一個或多個標記數據包括：比較所述一個或多個標記數據的所述標記不確定性得分與配置閾值。
8.一種計算機可讀介質，所述計算機可讀介質包含指令，所述指令在被執行時，使得計算設備執行操作，所述操作包括：
9.根據權利要求8所述的計算機可讀介質，其中所述調整得分基于所述標記數據的所述分類結果的標準差而被確定。
10.根據權利要求9所述的計算機可讀介質，其中所述調整得分還基于縮放因子而被確定。
11.根據權利要求8所述的計算機可讀介質，其中所述標記數據中的每...
【專利技術屬性】
技術研發人員：陳湉，J·布羅克，D·里德拉波特，
申請(專利權)人：西蘭克公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。