公开(公告)号：CN114897181B

公开(公告)日：2024-08-02

申请号：CN202210499772.9

申请日：2022-05-09

Applicant: 哈尔滨工业大学

Inventor： 王宏志 ,  邵心玥 ,  朱霄 ,  熊峰 ,  穆添愉

IPC: G06N20/00 ,  G06N3/0985 ,  G06N3/084 ,  G06N3/047

Abstract: 一种基于电网潮流数据因果关系的元学习解释方法，涉及机器学习技术领域，本申请将元学习可解释性归纳为元学习过程的可解释性以及元学习结果在具体问题中的可解释性两方面，并且分别从两方面实现了元学习的可解释性。元学习过程的可解释技术构建的推荐网络能够根据问题的元描述自动推荐一个合适的决策方法，并且结合积分梯度实现推荐网络的可解释，能够显式地为用户提供问题描述与决策方法选择上的直接关系。元学习结果在具体问题中的可解释技术结合因果关系分别从准确度量特征重要性和生成合理有效的反事实两方面实现可解释性，能够帮助使用者更好地理解元学习推荐结果在具体问题中的预测结果，从而在未来决策中作出更合理的判断。

公开(公告)号：CN114897181A

公开(公告)日：2022-08-12

申请号：CN202210499772.9

申请日：2022-05-09

Applicant: 哈尔滨工业大学

Inventor： 王宏志 ,  邵心玥 ,  朱霄 ,  熊峰 ,  穆添愉

IPC: G06N20/00 ,  G06N3/04 ,  G06N3/08

Abstract: 一种基于因果关系的元学习解释方法，涉及机器学习技术领域，本申请将元学习可解释性归纳为元学习过程的可解释性以及元学习结果在具体问题中的可解释性两方面，并且分别从两方面实现了元学习的可解释性。元学习过程的可解释技术构建的推荐网络能够根据问题的元描述自动推荐一个合适的决策方法，并且结合积分梯度实现推荐网络的可解释，能够显式地为用户提供问题描述与决策方法选择上的直接关系。元学习结果在具体问题中的可解释技术结合因果关系分别从准确度量特征重要性和生成合理有效的反事实两方面实现可解释性，能够帮助使用者更好地理解元学习推荐结果在具体问题中的预测结果，从而在未来决策中作出更合理的判断。

公开(公告)号：CN115809068A

公开(公告)日：2023-03-17

申请号：CN202211658521.7

申请日：2022-12-22

Applicant: 哈尔滨工业大学

Inventor： 王宏志 ,  穆添愉 ,  邵心玥

IPC: G06F8/41

Abstract: 基于MapReduce的大数据处理方法及系统，解决了现有大数据处理框架对于迭代逻辑的实现效果差的问题，属于计算机领域。本发明包括：输入java代码，将java代码分成java代码段并转换为MapReduce代码，判断每个代码段是否为迭代逻辑，若是，利用全新API函数进行编译，全新API函数为：主节点申请缓存空间，用来存储用户定义的循环不变量及每次mapper和reducer的输入输出缓存，并建立索引，主节点新建一个job控制模块，用于不断的启用map‑reduce过程来实现MapReduce代码的迭代逻辑，并根据索引从缓存空间中取出需要的数据；若否，利用已有大数据框架的API进行编译MapReduce代码，两种情况编译后的额执行结果作为下一个代码段的输入。