System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及人工智能和机器学习领域,尤其涉及一种适应边层级先验错误的因果结构学习方法与系统。
技术介绍
1、在众多领域,如医疗、能源、航天及工业生产等,因果关系的确定构成了一项至关重要的任务,这种任务的完成质量直接影响到决策的准确性和效率。随着大数据时代的到来,大量复杂的数据被生成和收集,这为机器学习等自动化方法提供了丰富的信息来源,以用于学习和推断因果关系。然而,实际问题中的复杂性使得数据本身往往无法完全揭示因果关系的全部内容,因此,对于数据驱动的因果关系学习方法,需要借助先验知识(或称为专家知识)来辅助解析。先验知识往往是边层级的形式,即描述了一对待研究变量之间的因果关系。在这样的背景下,一个能够有效结合数据和边层级先验知识,并能够应对边层级先验知识可能存在错误的新型方法的需求日益迫切。
2、申请号为cn202210914889.9的中国专利技术专利申请《一种蓄热式热力氧化炉的故障预测与诊断系统及方法》中,采用了多参数预测模型和异常参数监测模型,以及结合了专家知识库进行因果关系推理。然而,该方法未明确考虑先验知识可能存在错误的情况,而这可能导致预测和诊断的准确性受到影响。
3、申请号为cn202310517895.5的中国专利技术专利申请《一种基于边际因果先验知识约束的循证医学推理方法及系统》中,利用了危险因素间的边际因果关系来构建因果网络图,以此推理疾病的循证医学结果。尽管边际因果先验知识在构建因果网络图时起了约束作用,但方法并没有明确地处理可能存在的先验知识错误。
4、申请号为cn2
5、申请号为cn202310084255.x的中国专利技术专利申请《一种航天器控制系统性能-故障关系图谱的构建方法和装置》中,结合了模型知识、专家知识以及基于数据的granger因果分析方法来构建性能-故障关系图谱。然而,该方法并没有明确提及如何处理可能存在的先验知识错误。
6、对上述方案进行全面考察,可以发现,尽管这些方案在处理复杂系统的预测、诊断以及因果关系推理的过程中,都在一定程度上依赖于边层级先验知识或专家知识,然而,它们大多并未明确地处理边层级先验知识可能存在的错误问题。在实际应用中,边层级先验知识的错误是无法避免的,由于这个特点,这些方法在面临错误边层级先验知识时,可能无法保证预测和诊断的准确性,甚至可能导致错误的决策。因此,如何在结合边层级先验知识的同时,充分考虑和处理边层级先验知识的错误,以此提升因果关系学习的准确性和鲁棒性,进而保证后续决策的准确性和效率,这是当前研究的一个重要挑战。
技术实现思路
1、本专利技术的目的是提供一种适应边层级先验错误的因果结构学习方法与系统,能有效地识别和纠正错误的边层级先验知识,从而提高因果关系学习的准确性,进而保证后续决策的准确性和效率。
2、本专利技术的目的是通过以下技术方案实现的:
3、一种适应边层级先验错误的因果结构学习方法,包括:
4、步骤1、从输入的观察数据中获取待研究变量集合,并获取待研究变量集合对应的边层级先验知识集合;
5、步骤2、使用边层级先验知识集合辅助爬山法进行因果发现,获得当前次的有向无环图;其中,待研究变量集合中的待研究变量作为有向无环图中的节点,节点之间的有向边表示对应待研究变量之间的因果关系;
6、步骤3、基于当前次的有向无环图中的亚环结构对边层级先验知识集合进行判断,筛选出所有在当前次的有向无环图中形成亚环结构的边层级先验知识,形成当前次的疑似错误边层级先验知识集;
7、步骤4、基于所述当前次的疑似错误边层级先验知识集更新边层级先验知识集合,并迭代执行步骤2~步骤4,多次迭代后获得最终的有向无环图;所述最终的有向无环图反映了观察数据中待研究变量之间的因果关系。
8、一种适应边层级先验错误的因果结构学习系统,包括:
9、数据获取单元,用于从输入的观察数据中获取待研究变量集合,并获取待研究变量集合对应的边层级先验知识集合;
10、因果发现单元,用于使用边层级先验知识集合辅助爬山法进行因果发现,获得当前次的有向无环图;其中,待研究变量集合中的待研究变量作为有向无环图中的节点,节点之间的有向边表示对应待研究变量之间的因果关系;
11、疑似错误边层级先验知识集确定单元,用于基于当前次的有向无环图中的亚环结构对边层级先验知识集合进行判断,筛选出所有在当前次的有向无环图中形成亚环结构的边层级先验知识,形成当前次的疑似错误边层级先验知识集;
12、边层级先验知识集合更新与迭代执行单元,用于基于所述当前次的疑似错误边层级先验知识集更新边层级先验知识集合,并迭代执行步骤2~步骤4,多次迭代后获得最终的有向无环图;所述最终的有向无环图反映了观察数据中待研究变量之间的因果关系。
13、一种处理设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序;
14、其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现前述的方法。
15、一种可读存储介质,存储有计算机程序,当计算机程序被处理器执行时实现前述的方法。
16、由上述本专利技术提供的技术方案可以看出,引入先验知识错误处理机制,能够迭代的识别和纠正错误的边层级先验知识,从而使得最终构建的有向无环图能够更好的反映观察数据的因果关系,进而为复杂系统的预测、诊断及决策提供更为准确和可靠的支持。
本文档来自技高网...【技术保护点】
1.一种适应边层级先验错误的因果结构学习方法,其特征在于,包括:
2.根据权利要求1所述的一种适应边层级先验错误的因果结构学习方法,其特征在于,所述观察数据为指定领域的数据,观察数据中包含多个研究对象,每一研究对象均作为一个待研究变量。
3.根据权利要求1所述的一种适应边层级先验错误的因果结构学习方法,其特征在于,所述边层级先验知识集合基于大语言模型获取,获取方式包括:将观察数据所处领域、待研究变量集合、以及额外收集的各待研究变量对应的文本描述输入至大语言模型,获得边层级先验知识集合。
4.根据权利要求1所述的一种适应边层级先验错误的因果结构学习方法,其特征在于,所述的边层级先验知识集合表示为:P={e1,e2,...,em};其中,P为边层级先验知识集合,e为边层级先验知识,下标为边层级先验知识的序号,m为边层级先验知识数目;e=(vi,vj)表示待研究变量vi与变量vj之间存在因果关系,即在有向无环图中具有一条由变量vi指向变量vj的边。
5.根据权利要求1或3或4所述的一种适应边层级先验错误的因果结构学习方法,其特征在于,所述
6.根据权利要求1所述的一种适应边层级先验错误的因果结构学习方法,其特征在于,所述基于当前次的有向无环图中的亚环结构对边层级先验知识集合进行判断,筛选出所有在当前次的有向无环图中形成亚环结构的边层级先验知识,形成当前次的疑似错误边层级先验知识集包括:
7.根据权利要求1所述的一种适应边层级先验错误的因果结构学习方法,其特征在于,基于所述当前次的疑似错误边层级先验知识集更新边层级先验知识集合包括:
8.一种适应边层级先验错误的因果结构学习系统,其特征在于,包括:
9.一种处理设备,其特征在于,包括:一个或多个处理器;存储器,用于存储一个或多个程序;
10.一种可读存储介质,存储有计算机程序,其特征在于,当计算机程序被处理器执行时实现如权利要求1~7任一项所述的方法。
...【技术特征摘要】
1.一种适应边层级先验错误的因果结构学习方法,其特征在于,包括:
2.根据权利要求1所述的一种适应边层级先验错误的因果结构学习方法,其特征在于,所述观察数据为指定领域的数据,观察数据中包含多个研究对象,每一研究对象均作为一个待研究变量。
3.根据权利要求1所述的一种适应边层级先验错误的因果结构学习方法,其特征在于,所述边层级先验知识集合基于大语言模型获取,获取方式包括:将观察数据所处领域、待研究变量集合、以及额外收集的各待研究变量对应的文本描述输入至大语言模型,获得边层级先验知识集合。
4.根据权利要求1所述的一种适应边层级先验错误的因果结构学习方法,其特征在于,所述的边层级先验知识集合表示为:p={e1,e2,...,em};其中,p为边层级先验知识集合,e为边层级先验知识,下标为边层级先验知识的序号,m为边层级先验知识数目;e=(vi,vj)表示待研究变量vi与变量vj之间存在因果关系,即在有向无环图中具有一条由变量vi指向变量vj的边。
<...【专利技术属性】
技术研发人员:陈欢欢,陈律舟,王翔宇,班泰瑜,朱钦睿,
申请(专利权)人:中国科学技术大学,
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。