【技术实现步骤摘要】
一种基于因果效应的学习认知分析模型鲁棒性优化方法
[0001]本专利技术涉及计算机
，尤其是一种基于因果效应的学习认知分析模型鲁棒性优化方法。
技术介绍
[0002]混合学习多模态过程数据蕴含了丰富的学习认知刻画信息，但其因素众多，且随时空持续变化，现有主流知识追踪与认知诊断方法大多数是基于独立同分布假设，无法适应数据分布多变的混合学习场景。
[0003]目前混合学习认知建模分析在复杂场景下鲁棒性存在不足，复杂教育场景下模型分析效果低下。
技术实现思路
[0004]有鉴于此，本专利技术实施例提供一种基于因果效应的学习认知分析模型鲁棒性优化方法，提高模型的鲁棒性，并且提高模型分析效率。
[0005]本专利技术实施例的一方面提供了一种基于因果效应的学习认知分析模型鲁棒性优化方法，包括：
[0006]构建混合学习过程的认知分析多类型模型；
[0007]构建学习者认知动态因果网络与因果效应框架；
[0008]根据所述认知分析多类型模型和所述学习者认知动态因果网络与因果效应框架，进行鲁棒性优化；
[0009]其中，所述鲁棒性优化包括混合学习过程认知分析时域感知鲁棒性优化、混合学习多模态认知分析模型结构鲁棒性优化以及复杂场景下认知数据分布偏移目标域鲁棒性优化。
[0010]可选地，所述构建混合学习过程的认知分析多类型模型，包括：
[0011]对采集的多模态学习过程数据进行模态特征抽取；其中，所述模态特征包括视频特征、音频特征和文本特征；>[0012]采用多类型主干网络和时序网络，对抽取到的多模态特征进行联合学习，获取学习认知特征的全局表示；
[0013]针对不同学习认知计算下游任务，构建不同的认知分类器或者回归器。
[0014]可选地，所述构建学习者认知动态因果网络与因果效应框架，包括：
[0015]通过学习认知影响变量检测和因果有向图构建，进行学习者认知因果图构建；
[0016]利用领域常用因果效应计算方法，采用多路效应计算的方式，进行效应平均或最值化方法，获取因果效应计算结果。
[0017]可选地，当所述鲁棒性优化为混合学习过程认知分析时域感知鲁棒性优化时，所述根据所述认知分析多类型模型和所述学习者认知动态因果网络与因果效应框架，进行鲁棒性优化，包括：
[0018]基于直接总因果效应框架与学习者认知动态因果网络模型，提出数据感知不确定性因素的合理因果假设，构建学习认知数据感知进行反事实推断分析；
[0019]针对可能存在混合学习过程数据部分缺失问题，构建基于因果总效应导向性随机门控网络机制，进行潜在数据感知缺失场景干预数据生成，增强学习认知分析模型优化空间搜索；
[0020]针对复杂情境下数据感知不规则采样粒度问题，基于时序微分神经网络模型，构造连续时域下任意数据感知采样粒度方法；
[0021]通过随机门控机制与不规则连续时域感知方法结合使用，实现混合学习过程认知分析时域感知优化。
[0022]可选地，当所述鲁棒性优化为混合学习多模态认知分析模型结构鲁棒性优化时，所述根据所述认知分析多类型模型和所述学习者认知动态因果网络与因果效应框架，进行鲁棒性优化，包括：
[0023]分析学习认知分析网络结构权重分布特点，结合生物学可塑性理论，构建针对复杂认知分析场景的波动量抑制
‑
增益模型结构可塑性机制，并在认知分析模型中，确定时序编码器和解码器的神经元连接波动量描述；
[0024]针对复杂场景学习认知计算任务数据变化特性，结合不确定因素因果总效应计算框架，确定可塑性权重自适应动态更新规则；
[0025]根据学习认知分析模型结构特点，进行可塑性动态权重的架构嵌入，完成混合学习多模态认知分析模型结构鲁棒性优化。
[0026]可选地，当所述鲁棒性优化为复杂场景下认知数据分布偏移目标域鲁棒性优化时，所述根据所述认知分析多类型模型和所述学习者认知动态因果网络与因果效应框架，进行鲁棒性优化，包括：
[0027]基于元分布与动态学习认知因果表征，确定学习认知分析任务的复杂场景数据的迁移动态分布，分析预训练数据源域与应用目标域的分布偏移潜在过程；
[0028]获取迁移的动态分布的预估值，进行学习认知分析目标数据域以及进行目标独立成分抽取与增益；
[0029]根据增益目标域独立成分集，进行目标域数据增强生成，并基于增强后的数据，进行目标域经验风险最小化优化，完成复杂场景下认知数据分布偏移目标域学习认知状态鲁棒性分析。
[0030]本专利技术实施例的另一方面还提供了一种基于因果效应的学习认知分析模型鲁棒性优化装置，包括：
[0031]第一模块，用于构建混合学习过程的认知分析多类型模型；
[0032]第二模块，用于构建学习者认知动态因果网络与因果效应框架；
[0033]第三模块，用于根据所述认知分析多类型模型和所述学习者认知动态因果网络与因果效应框架，进行鲁棒性优化；
[0034]其中，所述鲁棒性优化包括混合学习过程认知分析时域感知鲁棒性优化、混合学习多模态认知分析模型结构鲁棒性优化以及复杂场景下认知数据分布偏移目标域鲁棒性优化。
[0035]本专利技术实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
[0036]所述存储器用于存储程序；
[0037]所述处理器执行所述程序实现如前面所述的方法。
[0038]本专利技术实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
[0039]本专利技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
[0040]本专利技术的实施例构建混合学习过程的认知分析多类型模型；构建学习者认知动态因果网络与因果效应框架；根据所述认知分析多类型模型和所述学习者认知动态因果网络与因果效应框架，进行鲁棒性优化，其中，所述鲁棒性优化包括混合学习过程认知分析时域感知鲁棒性优化、混合学习多模态认知分析模型结构鲁棒性优化以及复杂场景下认知数据分布偏移目标域鲁棒性优化。本专利技术能够提高模型的鲁棒性，并且提高模型分析效率。
附图说明
[0041]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0042]图1为本专利技术实施例提供的整体步骤流程图。
具体实施方式
[0043]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于因果效应的学习认知分析模型鲁棒性优化方法，其特征在于，包括：构建混合学习过程的认知分析多类型模型；构建学习者认知动态因果网络与因果效应框架；根据所述认知分析多类型模型和所述学习者认知动态因果网络与因果效应框架，进行鲁棒性优化；其中，所述鲁棒性优化包括混合学习过程认知分析时域感知鲁棒性优化、混合学习多模态认知分析模型结构鲁棒性优化以及复杂场景下认知数据分布偏移目标域鲁棒性优化。2.根据权利要求1所述的一种基于因果效应的学习认知分析模型鲁棒性优化方法，其特征在于，所述构建混合学习过程的认知分析多类型模型，包括：对采集的多模态学习过程数据进行模态特征抽取；其中，所述模态特征包括视频特征、音频特征和文本特征；采用多类型主干网络和时序网络，对抽取到的多模态特征进行联合学习，获取学习认知特征的全局表示；针对不同学习认知计算下游任务，构建不同的认知分类器或者回归器。3.根据权利要求1所述的一种基于因果效应的学习认知分析模型鲁棒性优化方法，其特征在于，所述构建学习者认知动态因果网络与因果效应框架，包括：通过学习认知影响变量检测和因果有向图构建，进行学习者认知因果图构建；利用领域常用因果效应计算方法，采用多路效应计算的方式，进行效应平均或最值化方法，获取因果效应计算结果。4.根据权利要求1所述的一种基于因果效应的学习认知分析模型鲁棒性优化方法，其特征在于，当所述鲁棒性优化为混合学习过程认知分析时域感知鲁棒性优化时，所述根据所述认知分析多类型模型和所述学习者认知动态因果网络与因果效应框架，进行鲁棒性优化，包括：基于直接总因果效应框架与学习者认知动态因果网络模型，提出数据感知不确定性因素的合理因果假设，构建学习认知数据感知进行反事实推断分析；针对可能存在混合学习过程数据部分缺失问题，构建基于因果总效应导向性随机门控网络机制，进行潜在数据感知缺失场景干预数据生成，增强学习认知分析模型优化空间搜索；针对复杂情境下数据感知不规则采样粒度问题，基于时序微分神经网络模型，构造连续时域下任意数据感知采样粒度方法；通过随机门控机制与不规则连续时域感知方法结合使用，实现混合学习过程认知分析时域感知优化。5.根据权利要求1所述的一种基于因果效应的学习认知分析模型鲁棒性优化方法，其特征在于，当所述鲁棒性优化为混合学习多模态认知分析模型结构鲁棒性优化时，所述根据所述认知分析...
【专利技术属性】
技术研发人员：黄昌勤，吴雪梅，黄琼浩，涂雅欣，王译，
申请(专利权)人：浙江师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。