CN111695583A - 一种基于因果网络的特征选择方法 - Google Patents

一种基于因果网络的特征选择方法 Download PDF

Info

Publication number
CN111695583A
CN111695583A CN201910652838.1A CN201910652838A CN111695583A CN 111695583 A CN111695583 A CN 111695583A CN 201910652838 A CN201910652838 A CN 201910652838A CN 111695583 A CN111695583 A CN 111695583A
Authority
CN
China
Prior art keywords
node
candidate
target node
network
selection method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910652838.1A
Other languages
English (en)
Inventor
彦逸
王飞鸣
肖建毅
占力超
李波
尚艳伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Information Center of Guangdong Power Grid Co Ltd
Original Assignee
Information Center of Guangdong Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Information Center of Guangdong Power Grid Co Ltd filed Critical Information Center of Guangdong Power Grid Co Ltd
Priority to CN201910652838.1A priority Critical patent/CN111695583A/zh
Publication of CN111695583A publication Critical patent/CN111695583A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于因果网络的特征选择方法，涉及电力通讯领域，包括以下步骤：将网络抽象成网络拓扑图，所述拓扑图至少包括目标节点和候选特征；获取与目标节点有直接连接边的所述候选特征，形成目标节点的邻居节点；对目标节点与候选特征求互信息，对所述互信息进行排序形成有序集，定义互信息有序集的阈值为λ，保留所述有序集中大于λ的且不被邻居节点中的特征分割的互信息，形成剩余特征集合；合并邻居节点与剩余特征集合形成目标节点特征集合。旨在解决在多层反馈网络下的特征选择错误的问题。

Description

一种基于因果网络的特征选择方法
技术领域
本发明涉及电力通讯领域，特别涉及一种基于因果网络的特征选择方法。
背景技术
目前有两种常见的特征选择策略，其一为马尔科夫毯理论，一个变量的马尔科夫毯就是目标的最优特征集，通过马尔科夫毯可以有效的找到特征集合，然而这些算法的基本假设是数据生成的因果网络是有向无环图，然而如果对于具有反馈机制的因果网络图时，马尔科夫毯就不能有效的进行特征的选择。其二、信息理论，信息理论对数据的生成网络没有做任何假设，因此再面对具有反馈机制的因果网络图时也能进行特征的选择，但是这种方法在多层网络的结构下，往往容易得到错误的特征变量集合。因此如何保证在多层反馈网络下的特征的正确性，成了十分重要的研究方向。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于因果网络的特征选择方法，旨在解决在多层反馈网络下的特征选择错误的问题。
为实现上述目的，本发明提供一种基于因果网络的特征选择方法，所述面向反馈网络的因果特征选择方法包括以下步骤：
将网络抽象成网络拓扑图，所述拓扑图至少包括目标节点和候选特征；
获取与目标节点有直接连接边的所述候选特征，形成目标节点的邻居节点；
对目标节点与候选特征求互信息，对所述互信息进行排序形成有序集，定义互信息有序集的阈值为λ，保留所述有序集中大于λ的且不被邻居节点中的特征分割的互信息，形成剩余特征集合；
合并邻居节点与剩余特征集合形成目标节点特征集合。
在本申请的一实施例中，定义分割节点，所述分割节点位于任意两节点之间，判断所述目标节点与所述候选特征中任意一节点之间的通路上是否存在所述分割节点，若不存在分割节点，则所述目标节点与该候选节点存在直接连边关系。
在本申请的一实施例中，所述判断过程表示为：
Xi⊥T|C，C∈X，C≠Xi；
若不存在分割节点使等式成立，则所述目标节点与该候选节点存在直接连边关系，其中Xi表示候选特征中任意一节点，T表示目标节点，C表示分割节点。
在本申请的一实施例中，依次获取候选特征中的特征数据并分别与所述目标节点进行互信息计算生成关联值，根据获取的关联值进行排序，形成有序集。
在本申请的一实施例中，所述关联值表示为：
Figure BDA0002135527260000023
其中，MI(XJ，T)表示XJ与T的关联值，XJ表示候选特征中除邻居节点以外的任意一节点，ψ(....)表示Digamma函数，N为除邻居节点以外候选特征数量，K表示节点间的距离，
Figure BDA0002135527260000021
和NT为数据点个数。
在本申请的一实施例中，所述
Figure BDA0002135527260000022
和NT分别为满足XJ±εX(J)/2或TJ±εT(J)/2的数据点个数，其中ε为距离函数。
在本申请的一实施例中，判断所述关联值是否大于λ，若所述关联值大于λ，则判断所述候选特征是否为邻居节点，若所述特征非邻居节点，则保存至所述剩余特征集合。
在本申请的一实施例中，所述λ范围为：5≥λ≥3。
本申请中，将现实中的网络抽象成对应的拓扑图，通过拓扑图获取目标节点和候选特征，以完成本方法的准备工作。获取候选特征中与目标节点有直接连边关系的候选特征形成邻居节点，先行挑选除邻居节点，减少剩余候选节点的基数，有效的减少数据的计算量。完成邻居节点的挑选后，将甚剩余节点与目标节点进行互信息的计算，避免有效节点的流失，且避免错误节点的出现，提高了选择精度，定义互信息有序集的阈值，方便对挑选的节点数量进行控制，当数据量较少时，可以适当减少数据的筛选量，以使数据更加充足。当数据量较大时，可以适当的增加数据的筛选量，减少低互信息节点的干扰。最终，将获取的邻居节点和剩余特征集合进行合并形成目标节点特征集合。有效的避免了在多层反馈网络下的特征选择错误的问题，提高了数据筛选的精度。
附图说明
图1是本发明实施例一种基于因果网络的特征选择方法的流程示意图；
图2为三种算法在四个告警类型下的MSE值对比图；
图3为三种算法在四个告警类型下的MAE值对比图；
图4为三种算法在四个告警类型下的ME值对比图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明公开的技术方案是：一种基于因果网络的特征选择方法，所述面向反馈网络的因果特征选择方法包括以下步骤：
步骤S10：将网络抽象成网络拓扑图，所述拓扑图至少包括目标节点和候选特征；
步骤S20：获取与目标节点有直接连接边的所述候选特征，形成目标节点的邻居节点；
步骤S30：对目标节点与候选特征求互信息，对所述互信息进行排序形成有序集，定义互信息有序集的阈值为λ，保留所述有序集中大于λ的且不被邻居节点中的特征分割的互信息，形成剩余特征集合；
步骤S40：合并邻居节点与剩余特征集合形成目标节点特征集合。
现有技术中，特征选择的基本策略是基于基于马尔科夫毯和信息理论的方法两种类型，它们分别从贝叶斯网络和信息度量的角度给出了特性选择的基本思路。基于马尔科夫毯能够有效地找到目标的特征集合，然而这些算法的基本假设是数据生成的因果网络是有向无环图，然而如果对于具有反馈机制的因果网络时，即因果网络不是一个完整的有向无环图，这些算法就不能够有效地进行特征选择。基于信息理论的方法在多层网络的结构下，往往容易得到错误的特征变量集合。
因此，有必要提出一种适用于带有反馈的且适合多层网络的特征选择方法。具体如下：首先我们利用D-separation准则两两判断目标T与候选特征X是否存在直接的连接边，得到目标变量T的邻居节点Ne(T)，该方法有效地避免了最大互信息选择出非连接节点的问题，然后再计算当前目标T与候选特征剩余候选节点的互信息，选择出排名靠前的且不被集合Ne(T)中元素D-分离的特征集合R，最终合并集合Ne(T)和R得到一个近似马尔科夫毯的特征集合标记为AMB(T)，该集合一定程度上避免了有反馈的因果网络上的马尔科夫毯不适用的问题同时找到的节点不存在非直接连接的情况。
本申请提出的方法为：如图1所示，所述面向反馈网络的因果特征选择方法包括以下步骤：
步骤S10：将网络抽象成网络拓扑图，所述拓扑图至少包括目标节点和候选特征；
具体的，因果网络(Causal Network)是指一个利用有向无环图(DAG)来表示变量间因果关系的概率图模型。步骤S10中将网络抽象成网络拓扑图，拓扑图是指由网络节点设备和通信介质构成的网络结构图。网络拓扑定义了各种计算机、打印机、网络设备和其他设备的连接方式。换句话说，网络拓扑描述了线缆和网络设备的布局以及数据传输时所采用的路径。网络拓扑包括物理拓扑和逻辑拓扑。物理拓扑是指物理结构上各种设备和传输介质的布局。物理拓扑通常有总线型、星型、环型、树型、网状型等几种。
拓扑图中至少包括目标节点和候选特征，以便完成候选特征的删选，当然根据设计的需要，拓扑图还可以包含目标接点与候选特征之间的连边关系和距离值，方便对候选特征更加准确的判断。
步骤S20：获取与目标节点有直接连接边的所述候选特征，形成目标节点的邻居节点；
获得对应的网络拓扑图后，根据拓扑图获取目标节点和候选特征节点，本申请中的目标节点是指，表示一个再分发点(redistribution point)或一个通信端点。
获取与目标节点有直接连边关系的候选特征节点，直接连边节点包括父节点和子节点。在因果网络中，定义一个节点T的直接原因节点为父节点，定义目标节点的直接指向的节点为子节点。
在满足基本的因果忠诚性假设的前提下，对于任意两个节点XI和XJ上的一条通路，如果集合P的节点D-分离(D-separation)XI和XJ，那么该通路需要满足如下两个条件之一，(a)通路中包含的顺连结构XI→XK→XJ，和分连接结构XI←XK→XJ，其中XK∈P。XK，表示集合P中任意一个节点。(b)通路中包含一种汇连结构XI→XK←XJ，且
Figure BDA0002135527260000051
根据上述结论，我们可以得出对于目标节点与候选节点中任意一个变量，如果不存在一个子集D-分离(D-separation)目标节点和候选节点中的任意一个变量，则目标节点与该变量有直接的连边关系。当然可以理解的是，目标节点与候选节点中任意一个变量至少存在通路。若存在一个子集D-分离(D-separation)目标节点和候选节点中的任意一个变量，则表明两者之间不存在直接连边关系。
采用上述技术方案，可以直接筛选出有直接连边关系的候选特征。
步骤S30：对目标节点与候选特征求互信息，对所述互信息进行排序形成有序集，定义互信息有序集的阈值为λ，保留所述有序集中大于λ的且不被邻居节点中的特征分割的互信息，形成剩余特征集合；
选择一种近似的方式求解目标节点的子节点的父节点，即选择出互信息排名靠前的且不被集合邻居节点中元素D-分离的特征集合，该方法又有效避免了最大互信息出现祖先节点选入的情况。
选择基于k近邻距离的熵估计方法，其中定义目标变量为T，
Figure BDA0002135527260000052
其中，MI(XJ，T)表示XJ与T的关联值，XJ表示候选特征中除邻居节点以外的任意一节点，ψ(....)表示Digamma函数，N为除邻居节点以外候选特征数量，K表示节点间的距离，
Figure BDA0002135527260000053
和NT为数据点个数。
对获取的MI(XJ，T)进行排序，采用升序的方式进行排序，当然根据设计的需要还可以采用降序的方式进行排序。定义一个λ用于对获取的MI(XJ，T)进行筛选，使得获取的候选特征更加准确，避免混入错误特征。
步骤S40：合并邻居节点与剩余特征集合形成目标节点特征集合。
通过将邻居节点与剩余特征集合合并，使的最后的目标节点特征集合中的数据更加全面。
本申请中，将现实中的网络抽象成对应的拓扑图，通过拓扑图获取目标节点和候选特征，以完成本方法的准备工作。获取候选特征中与目标节点有直接连边关系的候选特征形成邻居节点，先行挑选除邻居节点，减少剩余候选节点的基数，有效的减少数据的计算量。完成邻居节点的挑选后，将甚剩余节点与目标节点进行互信息的计算，避免有效节点的流失，且避免错误节点的出现，提高了选择精度，定义互信息有序集的阈值，方便对挑选的节点数量进行控制，当数据量较少时，可以适当减少数据的筛选量，以使数据更加充足。当数据量较大时，可以适当的增加数据的筛选量，减少低互信息节点的干扰。最终，将获取的邻居节点和剩余特征集合进行合并形成目标节点特征集合。有效的避免了在多层反馈网络下的特征选择错误的问题，提高了数据筛选的精度。
在本申请的一实施例中，定义分割节点，所述分割节点位于任意两节点之间，判断所述目标节点与所述候选特征中任意一节点之间的通路上是否存在所述分割节点，若不存在分割节点，则所述目标节点与该候选节点存在直接连边关系。
采用上述技术方案，定义一个分割节点，该分割节点可以为一个，也可以为多个节点的集合，在目标节点与候选节点的通路上，判断分割节点是否存在于通路之间，即可判断出目标节点是否与候选节点之间存在直接连边关系，提高系统的判断速度，由于是在一条通路上进行的判断，可以有效的避免两个孤立的节点之间出现被分割的可能，避免出现错误的判断，筛选出不相关的节点，提高了筛选的精度。
在本申请的一实施例中，所述判断过程表示为：
Xi⊥T|C，C∈X，C≠Xi；
若不存在分割节点使等式成立，则所述目标节点与该候选节点存在直接连边关系，其中Xi表示候选特征中任意一节点，T表示目标节点，C表示分割节点。
采用上述技术方案，若存在分割节点使上述等式成立，则判断出目标节点与候选节点之间有直接的连边关系，只需将目标节点与候选节点有通路的数据——带入计算即可，简化了计算过程，提高了校验精度。
在本申请的一实施例中，依次获取候选特征中的特征数据并分别与所述目标节点进行互信息计算生成关联值，根据获取的关联值进行排序，形成有序集。
采用上述技术方案，依次将候选特征分别与目标节点进行计算，避免出现漏算，通过计算获取候选特征与目标节点之间的关联值，对关联值进行排序，方便对互信息的筛选，简化了筛选过程。
在本申请的一实施例中，所述关联值表示为：
Figure BDA0002135527260000071
其中，MI(XJ，T)表示XJ与T的关联值，XJ表示候选特征中除邻居节点以外的任意一节点，ψ(....)表示Digamma函数，N为除邻居节点以外候选特征数量，K表示节点间的距离，
Figure BDA0002135527260000072
和NT为数据点个数。
采用上述技术方案，筛选出目标节点子节点的父节点与目标节点的互信息靠前的节点，避免目标节点的子节点相应的父节点数据遗漏，保证了节点数据的完整性。避免出现节点筛选不全面，或出现错误节点的问题。提高了数据的精确度，减少系统消耗，在保证数据全面的前提条件下，简化了节点的获取过程。
在本申请的一实施例中，所述
Figure BDA0002135527260000073
和NT分别为满足XJ±εX(J)/2或TJ±εT(J)/2的数据点个数，其中ε为距离函数
采用上述技术方案，进一步提高节点获取的准确性，避免出现错误节点以及遗漏节点。
在本申请的一实施例中，判断所述关联值是否大于λ，若所述关联值大于λ，则判断所述候选特征是否为邻居节点，若所述特征非邻居节点，则保存至所述剩余特征集合。
采用上述技术方案，通过控制阈值λ，可以调整筛选的节点的数量，当节点数目较少时，适当扩大阈值λ，以便获得更多的节点数据，提高数据精度。当节点数据数目较多时，适当减小阈值λ，筛选出合适数量的节点，避免低互信息的节点对结果的干扰。
在本申请的一实施例中，所述λ范围为：5≥λ≥3。
采用上述技术方案，阈值λ控制在3至之间，以便获取适当数量的节点数据。阈值入优选4，既可以尽量多的获取节点数，又不会混入过多的低互信息的节点。
为了便于管理，大型企业一般会把功能部署在一个系统上，而随着业务范围越来越大，功能越来越多，系统出现故障的概率也会慢慢增大。为了能够提早避免系统的故障，企业通常会定义一些基本的告警信息来辅助运维人员。然而当一段时间内告警信息突然增加时，运维人员的维护工作量就会大大提高，在有限的精力下无法能够修复大量的告警信息就会导致故障的发生，严重的可能会使系统崩溃。因此提前预测告警的发生就显得尤为重要。
为了评估我们提出的特征选择的算法对具有反馈网络的营销系统告警预测的有效性，本文从电力营销系统的告警事件中挑选了4组常见的告警数据，分别为营销生产数据库中的进程使用率、锁数量，和营销历史数据库中的进程使用率、锁数量。同时结合系统运行的采样数据进行预测分析。同时为了说明算法的鲁棒性，我们选择目前鲁棒性较好的基于马尔科夫毯(Max-min Markov blanket algorithm，简写为MB)和最大互信息(MaximumMutual Information，MMI)两种特征选择的方法进行对比，并选择主流的三种VAR，ARMA和LSTM模型作为基准。
实验在处理器为Xeon E5-2620v4，内存64G，Linux 64位操作系统中的python环境完成。这里我们选择主流的三种指标分析，其中Y′表示预测值，Y表示真值，n表示样本量，那么均方误差MSE(Mean Squared Error)，平均绝对误差MAE(Mean Absolute Error)和均值误差ME(Mean Error)的定义如下：
Figure BDA0002135527260000081
Figure BDA0002135527260000082
Figure BDA0002135527260000083
如图2至4所示，通过实验对比结果可以看出，在预测SC进程使用率和SC锁数量上，LSTM效果介于VAR和ARMA之间，而在预测LS锁数量上效果最佳。一般来说，相比于传统的时序预测方法，LSTM这类深度学习模型复杂度更高，学习能力更强大，适合数据间具有复杂的非线性关系，而在数据量不够大的时候容易造成过拟合。VAR、ARMA这类传统方法能够更好的匹配比较简单的问题，此时往往能够表现出更好的性能。这两类方法的效果往往取决于实际任务的数据量以及问题的复杂度。本文实验的训练样本均为采样频率为5分钟一次，区间为2018年8月11日至2018年9月10日的运行指标数据，由此可见4个告警类型的预测难度各不相同。同时，一些研究表明了VAR、ARMA和LSTM在不同问题上表现各有优劣。
本申请提出的特征选择方法在4个告警类型上的MSE和MAE基本都小于其余两种方法，且在ME指标上，本文提出的方法更加的接近于0附近，说明其在不同的告警类型下稳定性更高。主要的原因是本文的方法考虑了营销系统是多层网络，利用D-分离准则能够去除冗余的特征，例如在预测LS进程使用率上，MMI算法会加入事务超时数，事务提交数，事务回滚数等特征，而本文的方法会去除掉这些特征。综上分析，相较于传统的基于MB或者MMI的特征选择方法，本文提出的方法能够更加有效地选择出运行特征指标，在使用不同的模型基础之上都优于传统的特征选择方法，得到更好的预测效果。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种基于因果网络的特征选择方法，其特征在于，所述面向反馈网络的因果特征选择方法包括以下步骤：
将网络抽象成网络拓扑图，所述拓扑图至少包括目标节点和候选特征；
获取与目标节点有直接连接边的所述候选特征，形成目标节点的邻居节点；
对目标节点与候选特征求互信息，对所述互信息进行排序形成有序集，定义互信息有序集的阈值为λ，保留所述有序集中大于λ的且不被邻居节点中的特征分割的互信息，形成剩余特征集合；
合并邻居节点与剩余特征集合形成目标节点特征集合。
2.如权利要求1所述的基于因果网络的特征选择方法，其特征在于，定义分割节点，所述分割节点位于任意两节点之间，判断所述目标节点与所述候选特征中任意一节点之间的通路上是否存在所述分割节点，若不存在分割节点，则所述目标节点与该候选节点存在直接连边关系。
3.如权利要求2所述的基于因果网络的特征选择方法，其特征在于，所述判断过程表示为：
Xi⊥T|C，C∈X，C≠Xi；
若不存在分割节点使等式成立，则所述目标节点与该候选节点存在直接连边关系，其中Xi表示候选特征中任意一节点，T表示目标节点，C表示分割节点。
4.如权利要求1至3中任意一项所述的基于因果网络的特征选择方法，其特征在于，依次获取候选特征中的特征数据并分别与所述目标节点进行互信息计算生成关联值，根据获取的关联值进行排序，形成有序集。
5.如权利要求4所述的基于因果网络的特征选择方法，其特征在于，所述关联值表示为：
Figure FDA0002135527250000022
其中，MI(XJ，T)表示XJ与T的关联值，XJ表示候选特征中除邻居节点以外的任意一节点，Ψ(....)表示Digamma函数，N为除邻居节点以外候选特征数量，K表示节点间的距离，
Figure FDA0002135527250000021
和NT为数据点个数。
6.如权利要求5所述的基于因果网络的特征选择方法，其特征在于，所述
Figure FDA0002135527250000023
和NT分别为满足XJ±εX(J)/2或TJ±εT(J)/2的数据点个数，其中ε为距离函数。
7.如权利要求6所述的基于因果网络的特征选择方法，其特征在于，判断所述关联值是否大于λ，若所述关联值大于λ，则判断所述候选特征是否为邻居节点，若所述特征非邻居节点，则保存至所述剩余特征集合。
8.如权利要求7所述的基于因果网络的特征选择方法，其特征在于，所述λ范围为：5≥λ≥3。
CN201910652838.1A 2019-07-18 2019-07-18 一种基于因果网络的特征选择方法 Pending CN111695583A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910652838.1A CN111695583A (zh) 2019-07-18 2019-07-18 一种基于因果网络的特征选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910652838.1A CN111695583A (zh) 2019-07-18 2019-07-18 一种基于因果网络的特征选择方法

Publications (1)

Publication Number Publication Date
CN111695583A true CN111695583A (zh) 2020-09-22

Family

ID=72476035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910652838.1A Pending CN111695583A (zh) 2019-07-18 2019-07-18 一种基于因果网络的特征选择方法

Country Status (1)

Country Link
CN (1) CN111695583A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381160A (zh) * 2020-11-18 2021-02-19 北京知道创宇信息技术股份有限公司 一种节点身份信息获取方法、装置、存储介质及电子设备
CN113590774A (zh) * 2021-06-22 2021-11-02 北京百度网讯科技有限公司 事件查询方法、装置以及存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050135274A1 (en) * 2003-12-19 2005-06-23 Telefonaktiebolaget Lm Ericsson (Publ) Centralized link-scope configuration of an internet protocol (IP) network
US7117185B1 (en) * 2002-05-15 2006-10-03 Vanderbilt University Method, system, and apparatus for casual discovery and variable selection for classification
CN101562569A (zh) * 2009-05-26 2009-10-21 中国科学院计算技术研究所 转发节点选取方法和装置
CN102711158A (zh) * 2012-04-26 2012-10-03 无锡赛睿科技有限公司 无线传感器网络的定向诊断方法和装置
CN105955241A (zh) * 2016-06-03 2016-09-21 北京科技大学 一种基于联合数据驱动生产过程的质量故障定位方法
CN106326585A (zh) * 2016-08-29 2017-01-11 东软集团股份有限公司 基于贝叶斯网络推理的预测分析方法以及装置
CN106407304A (zh) * 2016-08-30 2017-02-15 北京大学 一种基于互信息的数据离散化与特征选择集成方法及装置
US20170206460A1 (en) * 2014-09-05 2017-07-20 Icahn School Of Medicine At Mount Sinai Systems and Methods for Causal Inference in Network Structures Using Belief Propagation
CN107404541A (zh) * 2017-09-20 2017-11-28 郑州云海信息技术有限公司 一种对等网络传输邻居节点选择的方法及系统
CN108320040A (zh) * 2017-01-17 2018-07-24 国网重庆市电力公司 基于贝叶斯网络优化算法的采集终端故障预测方法及系统
CN108876210A (zh) * 2018-08-08 2018-11-23 广东省生态环境技术研究所 一种土地系统变化因果结构的识别方法、系统和装置
US20190042911A1 (en) * 2017-12-22 2019-02-07 Intel Corporation System and method for learning the structure of deep convolutional neural networks
CN109411023A (zh) * 2018-09-30 2019-03-01 华中农业大学 一种基于贝叶斯网络推理的基因间交互关系挖掘方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7117185B1 (en) * 2002-05-15 2006-10-03 Vanderbilt University Method, system, and apparatus for casual discovery and variable selection for classification
US20050135274A1 (en) * 2003-12-19 2005-06-23 Telefonaktiebolaget Lm Ericsson (Publ) Centralized link-scope configuration of an internet protocol (IP) network
CN101562569A (zh) * 2009-05-26 2009-10-21 中国科学院计算技术研究所 转发节点选取方法和装置
CN102711158A (zh) * 2012-04-26 2012-10-03 无锡赛睿科技有限公司 无线传感器网络的定向诊断方法和装置
US20170206460A1 (en) * 2014-09-05 2017-07-20 Icahn School Of Medicine At Mount Sinai Systems and Methods for Causal Inference in Network Structures Using Belief Propagation
CN105955241A (zh) * 2016-06-03 2016-09-21 北京科技大学 一种基于联合数据驱动生产过程的质量故障定位方法
CN106326585A (zh) * 2016-08-29 2017-01-11 东软集团股份有限公司 基于贝叶斯网络推理的预测分析方法以及装置
CN106407304A (zh) * 2016-08-30 2017-02-15 北京大学 一种基于互信息的数据离散化与特征选择集成方法及装置
CN108320040A (zh) * 2017-01-17 2018-07-24 国网重庆市电力公司 基于贝叶斯网络优化算法的采集终端故障预测方法及系统
CN107404541A (zh) * 2017-09-20 2017-11-28 郑州云海信息技术有限公司 一种对等网络传输邻居节点选择的方法及系统
US20190042911A1 (en) * 2017-12-22 2019-02-07 Intel Corporation System and method for learning the structure of deep convolutional neural networks
CN109961132A (zh) * 2017-12-22 2019-07-02 英特尔公司 用于学习深度卷积神经网络的结构的系统和方法
CN108876210A (zh) * 2018-08-08 2018-11-23 广东省生态环境技术研究所 一种土地系统变化因果结构的识别方法、系统和装置
CN109411023A (zh) * 2018-09-30 2019-03-01 华中农业大学 一种基于贝叶斯网络推理的基因间交互关系挖掘方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ROSS BC等: "Mutual Information between Discrete and Continuous Data Sets", 《PLOS ONE》, vol. 32, no. 2, pages 382 - 385 *
张浩等 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381160A (zh) * 2020-11-18 2021-02-19 北京知道创宇信息技术股份有限公司 一种节点身份信息获取方法、装置、存储介质及电子设备
CN112381160B (zh) * 2020-11-18 2024-04-09 北京知道创宇信息技术股份有限公司 一种节点身份信息获取方法、装置、存储介质及电子设备
CN113590774A (zh) * 2021-06-22 2021-11-02 北京百度网讯科技有限公司 事件查询方法、装置以及存储介质
CN113590774B (zh) * 2021-06-22 2023-09-29 北京百度网讯科技有限公司 事件查询方法、装置以及存储介质

Similar Documents

Publication Publication Date Title
Chen et al. A rough set approach to feature selection based on ant colony optimization
CN113032238B (zh) 基于应用知识图谱的实时根因分析方法
CN113139600A (zh) 基于联邦学习的智能电网设备异常检测方法和系统
Duan et al. Guided problem diagnosis through active learning
CN101901251B (zh) 基于马尔科夫过程亚稳性的复杂网络簇结构分析和识别方法
Wang et al. Incremental causal graph learning for online root cause analysis
Sarswat et al. A novel two-step approach for overlapping community detection in social networks
CN111695583A (zh) 一种基于因果网络的特征选择方法
CN107240028B (zh) 一种Fedora系统组件复杂网络中的重叠社区检测方法
Bezáková et al. Graph model selection using maximum likelihood
CN115114484A (zh) 异常事件检测方法、装置、计算机设备和存储介质
Gao et al. Clustering algorithms for detecting functional modules in protein interaction networks
Kumar et al. Community-enhanced Link Prediction in Dynamic Networks
Lyu et al. Metamax: Improved open-set deep neural networks via Weibull calibration
You et al. Robust dynamic clustering for temporal networks
CN111144572B (zh) 一种基于树形贝叶斯网络的配电网灾情推断方法及系统
CN110717116A (zh) 关系网络的链接预测方法及系统、设备、存储介质
CN117474509A (zh) 一种基于信任评估框架和禁忌搜索的工人招募方法及系统
Latouche et al. Bayesian methods for graph clustering
Cano et al. A score based ranking of the edges for the PC algorithm
CN115174263B (zh) 攻击路径动态决策方法与装置
Ghassami et al. Optimal experiment design for causal discovery from fixed number of experiments
CN113159976A (zh) 一种微博网络重要用户的识别方法
de Oliveira et al. Enriching networks with edge insertion to improve community detection
Saha et al. FLIP: active learning for relational network classification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
AD01 Patent right deemed abandoned
AD01 Patent right deemed abandoned

Effective date of abandoning: 20240419