-
公开(公告)号：CN113254729B
公开(公告)日：2021-10-08
申请号：CN202110723732.3
申请日：2021-06-29
Applicant: 中国科学院自动化研究所
IPC: G06F16/901 , G06F16/903
Abstract: 本发明属于大数据机器自动学习领域，具体涉及一种基于动态超图网络的多模态演化特征自动共形表示方法、系统、设备，旨在解决现有多模态特征表示仅能对多模态数据静态特征表示，难以对多模态高阶动态关联特征进行表征的问题。本方法包括获取m个模态的数据流训练样本，作为输入数据流；提取输入数据流中m个模态特征向量的有限节点集合；生成m个模态超图的拉普拉斯矩阵；进行m种模态的超图间高阶相关共形熵求解计算，生成n种主题网络集合的多模态高阶动态关联形态对齐模型；对新增的超图顶点与多模态高阶动态关联形态对齐模型所覆盖的节点进行增减对齐，实现主题网络集合自动更新。本发明解决了多模态高阶大数据多元关联演化特征难表征问题。
-
公开(公告)号：CN113254729A
公开(公告)日：2021-08-13
申请号：CN202110723732.3
申请日：2021-06-29
Applicant: 中国科学院自动化研究所
IPC: G06F16/901 , G06F16/903
Abstract: 本发明属于大数据机器自动学习领域，具体涉及一种基于动态超图网络的多模态演化特征自动共形表示方法、系统、设备，旨在解决现有多模态特征表示仅能对多模态数据静态特征表示，难以对多模态高阶动态关联特征进行表征的问题。本方法包括获取m个模态的数据流训练样本，作为输入数据流；提取输入数据流中m个模态特征向量的有限节点集合；生成m个模态超图的拉普拉斯矩阵；进行m种模态的超图间高阶相关共形熵求解计算，生成n种主题网络集合的多模态高阶动态关联形态对齐模型；对新增的超图顶点与多模态高阶动态关联形态对齐模型所覆盖的节点进行增减对齐，实现主题网络集合自动更新。本发明解决了多模态高阶大数据多元关联演化特征难表征问题。
-
公开(公告)号：CN113392983B
公开(公告)日：2023-01-13
申请号：CN202110723700.3
申请日：2021-06-29
Applicant: 中国科学院自动化研究所(CN)
IPC: G06N20/00 , G06N3/00 , G06F18/214 , G06N3/06
Abstract: 本发明属于大数据机器学习领域，具体涉及了一种自动机器学习的超参数寻优优化系统和方法，旨在解决现有的机器学习方法难以支撑数据模态多样化、规模巨大化进行超参数调优的问题。本发明包括：根据现有超参数数据构建超参数初始空间；按照预设的学习目标任务定义超参数自适应选择策略函数，从超参数初始空间筛选出满足所述学习目标任务的候选超参数集合；通过预设的自适应寻优推理算法，遍历候选超参数集合并同时生成参数保真度密度曲线，根据保真度密度曲线的变异获得最优超参数；将所述最优超参数迁移到新增目标任务域超参数空间，完成新增目标任务域超参数初始寻优。本发明解决了大数据机器学习的参数优化耗费计算资源过多，参数共享难的问题。
-
公开(公告)号：CN113177626A
公开(公告)日：2021-07-27
申请号：CN202110723698.X
申请日：2021-06-29
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于大数据和机器学习领域，具体涉及了一种数据驱动的复杂系统机理自动学习方法、系统及设备，旨在解决现有系统建模技术难以胜任从现场观测数据预测行为趋势以及在重建机理模型和物理观测数据不匹配，鲁棒性差等问题。本发明包括：获取历史多模态数据和实时多模态数据，通过空域循环记忆编码构建时序长程关联超图模型，通过神经微分方程模型结对超图模型进行归一化组合，并进行连续博弈网络结构自动迭代搜索获得系统机理连续动力学模型，并进行生物进化模拟获得因果模型，进而重新计算关联权重获得主动预警系统。本发明实现了对复杂系统的非线性、涌现、平衡阶跃、适应性和反馈回路的特殊性质描述刻画，提高模型的预测准确性。
-
公开(公告)号：CN118379565B
公开(公告)日：2024-12-06
申请号：CN202410825090.1
申请日：2024-06-25
Applicant: 中国科学院自动化研究所
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于信息瓶颈与因果学习的因果子图提取方法、装置，涉及基于特定计算模型的计算机系统技术领域，包括：获取待处理图数据，待处理图数据中包括因果子图，且待处理图数据中还包括噪音子图和伪相关子图中的至少一种；将待处理图数据输入因果子图提取模型进行子图提取处理，得到因果子图；其中，因果子图提取模型是基于因果学习损失函数、分类损失函数和对比损失函数进行迭代训练得到的，因果学习损失函数用于消除待处理图数据中的伪相关子图，分类损失函数和对比损失函数用于消除待处理图数据中的噪音子图。本发明使用的因果子图提取模型，可以针对图结构中的噪音子图和伪相关子图进行针对性消除，提升了提取的因果子图的可信性。
-
Patent Agency Ranking
公开(公告)号：CN113255920B
公开(公告)日：2021-09-28
申请号：CN202110723733.8
申请日：2021-06-29
Applicant: 中国科学院自动化研究所
IPC: G06N5/04
Abstract: 本发明属于大数据领域，具体涉及了一种基于大数据的动态复杂系统事理灾变因果推断方法和系统。本发明方法包括：基于动态系统的多元时间序列历史数据，通过求解哈密顿方程，构造出系统演化超图模型；获取当前时刻变量的连续状态数据，通过系统演化超图模型生成不同时刻多元变量因果独立同分布，并进行灾变动力方程求解，识别各时刻的系统灾变临界区域分布，构建事理灾变实例库；对事理灾变实例库中各种各样灾变样本，通过基于因果模型的反事实推理方法，获取物理变量灾变曲线，基于预设调整策略进行多物理变量状态干预调整。本发明提高了变量节点状态预测的准确度，实现了系统事理灾变临界区域的快速识别，通过干预预防复杂系统内部多元参数突变。
-
公开(公告)号：CN113255920A
公开(公告)日：2021-08-13
申请号：CN202110723733.8
申请日：2021-06-29
Applicant: 中国科学院自动化研究所
IPC: G06N5/04
Abstract: 本发明属于大数据领域，具体涉及了一种基于大数据的动态复杂系统事理灾变因果推断方法和系统。本发明方法包括：基于动态系统的多元时间序列历史数据，通过求解哈密顿方程，构造出系统演化超图模型；获取当前时刻变量的连续状态数据，通过系统演化超图模型生成不同时刻多元变量因果独立同分布，并进行灾变动力方程求解，识别各时刻的系统灾变临界区域分布，构建事理灾变实例库；对事理灾变实例库中各种各样灾变样本，通过基于因果模型的反事实推理方法，获取物理变量灾变曲线，基于预设调整策略进行多物理变量状态干预调整。本发明提高了变量节点状态预测的准确度，实现了系统事理灾变临界区域的快速识别，通过干预预防复杂系统内部多元参数突变。
-
公开(公告)号：CN118379565A
公开(公告)日：2024-07-23
申请号：CN202410825090.1
申请日：2024-06-25
Applicant: 中国科学院自动化研究所
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于信息瓶颈与因果学习的因果子图提取方法、装置，涉及基于特定计算模型的计算机系统技术领域，包括：获取待处理图数据，待处理图数据中包括因果子图，且待处理图数据中还包括噪音子图和伪相关子图中的至少一种；将待处理图数据输入因果子图提取模型进行子图提取处理，得到因果子图；其中，因果子图提取模型是基于因果学习损失函数、分类损失函数和对比损失函数进行迭代训练得到的，因果学习损失函数用于消除待处理图数据中的伪相关子图，分类损失函数和对比损失函数用于消除待处理图数据中的噪音子图。本发明使用的因果子图提取模型，可以针对图结构中的噪音子图和伪相关子图进行针对性消除，提升了提取的因果子图的可信性。
-
公开(公告)号：CN113408703B
公开(公告)日：2022-01-28
申请号：CN202110723736.1
申请日：2021-06-29
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于人工智能、机器学习与认知计算领域，具体涉及一种基于神经与符号的多模态大数据机器自动学习系统，旨在解决现有的机器学习方法难以从动态演化数据中获取高保真机理模型的问题。本发明系统：特征工程自动构建模块包括数据获取单元、事理超图网络自动构建单元、网络结构自动更新单元；机理模型自动构建模块包括领域任务定义单元、模型博弈设计搜索单元，搜索网格加速优化单元；超参数寻优优化模块包括超参数初始空间构建单元、超参数自适应选择策略单元、自适应寻优推理单元和超参数自动迁移单元、模型数据处理模块。本发明通过大数据机器自动学习方法，迭代保真度评价，获得高保真机理模型，提高了复杂系统行为认知预测的精度。
-
公开(公告)号：CN113408703A
公开(公告)日：2021-09-17
申请号：CN202110723736.1
申请日：2021-06-29
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于人工智能、机器学习与认知计算领域，具体涉及一种基于神经与符号的多模态大数据机器自动学习系统，旨在解决现有的机器学习方法难以从动态演化数据中获取高保真机理模型的问题。本发明系统：特征工程自动构建模块包括数据获取单元、事理超图网络自动构建单元、网络结构自动更新单元；机理模型自动构建模块包括领域任务定义单元、模型博弈设计搜索单元，搜索网格加速优化单元；超参数寻优优化模块包括超参数初始空间构建单元、超参数自适应选择策略单元、自适应寻优推理单元和超参数自动迁移单元、模型数据处理模块。本发明通过大数据机器自动学习方法，迭代保真度评价，获得高保真机理模型，提高了复杂系统行为认知预测的精度。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.022 seconds)
