SYSTEM AND METHOD FOR QUALITY ASSURANCE FOR DATA-BASED MODELS

Die Erfindung betrifft ein System, das zum einen einen Klassifikator aufweist, der von einem diskriminativen neuronalen Netz gebildet ist und der ein binäres Klassenmodell oder ein Mehrklassenmodel verwirklicht. Zum anderen weist das System einen Generator auf, der von einem generativen neuronalen Netz gebildet ist. Sowohl der Klassifikator als auch der Generator sind - für eine entsprechende Klasse - mit den gleichen Trainingsdatensätzen trainiert und verkörpern daher einander entsprechende Modelle für diese Klasse.Die Erfindung betrifft auch ein Verfahren zum Ermitteln eines Gütekriteriums für Eingangsdatensätze für einen Klassifikator mit einem diskriminativen neuronalen Netzwerk. Der Klassifikator ist mit Trainingsdatensätzen trainiert und verkörpert ein Klassifikationsmodell für eine Klasse.Gemäß dem Verfahren wird zunächst ein Generator mit einem generativen neuronalen Netzwerk bereitgestellt und mit denselben Trainingsdatensätzen trainiert, mit denen der Klassifikator trainiert wurde.Anschließend wird mittels des trainierten Generators und einem auf zufälligen Werten basierenden Eingangsdatensatz ein künstlicher Datensatz generiert, der für das von dem Klassifikator verkörperten Klassifikationsmodell repräsentativ ist.Aus dem künstlichen Datensatz werden dann Werte für durch diesen künstlichen Datensatz repräsentierte technische Parameter ermittelt.Schließlich wird aus den ermittelten Werten der technischen Parameter ein Gütekriterium gebildet, indem aus den ermittelten Werten der technischen Parameter ein Werteraum oder Wertebereich bestimmt wird, der von den ermittelten Werten der technischen Parameter und einen vorgegebenen Toleranzbereich abhängt. The invention relates to a system which, on the one hand, has a classifier that is formed by a discriminative neural network and that implements a binary class model or a multi-class model. On the other hand, the system has a model-based sample generator that is formed by a generative neural network. Both the classifier and the model-based sample generator are trained-for a corresponding class-with the same training data records and therefore embody models that correspond to one another for this class.The invention also relates to a method for determining a quality criterion for input data records for a classifier with a discriminative neural network. The classifier has been trained with training data records and represents a classification model for a class.According to the method, a model-based sampl