背景技术：
1、大型数据集用于训练机器学习(ml)模型。然而，由于隐私、安全顾虑以及隐私规则，一些大型数据集不应该和/或者不允许与能够通过使用这些数据集而获益的ml模型共享，尤其是包含个人身份信息的数据集。这是因为ml模型在与存储或获取数据的位置不同的物理位置，例如不同的地理位置的设备或服务器上被执行。由于前述的隐私和安全顾虑，这些数据集不能够被传送或共享到其他ml模型被执行和训练的物理位置上。
技术实现思路
1、本
技术实现要素：
提供以简化的方式介绍概念的选择，这些概念将在以下具体实施方式中还描述。本发明内容既不旨在标识被要求保护主题的关键特征或潜在特征，也不旨在被用于帮助确定被要求保护主题的范围。
2、本文中公开的示例与实现指向使用深度强化学习生成合成数据的系统和方法。该系统包括存储器、处理器、第一神经网络以及在服务器上实现的第二神经网络。第一神经网络基于原始数据集生成合成数据集。原始数据集和生成的合成数据集被提供给生成标识该原始数据集和生成的该合成数据集的预测的第二神经网络。至少部分基于错误标识生成的合成数据集的预测，导出生成的合成数据集。
1.一种用于深度强化学习的系统，所述系统包括：
2.根据权利要求1所述的系统，其中所述指令还使所述处理器：
3.根据权利要求1所述的系统，其中所述指令还使所述处理器：
4.根据权利要求1所述的系统，其中所述指令还使所述处理器：
5.根据权利要求1所述的系统，其中所述指令还使所述第一神经网络通过以下来生成所述合成数据集：
6.根据权利要求1所述的系统，其中所述指令还使所述第二神经网络：
7.根据权利要求1所述的系统，其中所述第一神经网络和所述第二神经网络物理上共置或位于同一地理区域内。
8.一种用于深度强化学习的计算机实现的方法，所述方法包括：
9.根据权利要求8所述的计算机实现的方法，还包括：
10.根据权利要求8所述的计算机实现的方法，还包括：
11.根据权利要求8所述的计算机实现的方法，还包括：
12.根据权利要求8所述的计算机实现的方法，其中生成所述预测还包括：
13.根据权利要求8所述的计算机实现的方法，其中生成所述合成数据集还包括：
14.根据权利要求8所述的计算机实现的方法，其中所述第一神经网络和所述第二神经网络物理上共置或位于同一地理区域内。
15.一种或多种计算机存储存储器设备，包含可执行指令，所述指令在由处理器执行时使所述处理器：
