CN115114488B - 基于角色发现的动态信息网络异常演化节点检测方法 - Google Patents
基于角色发现的动态信息网络异常演化节点检测方法 Download PDFInfo
- Publication number
- CN115114488B CN115114488B CN202210836827.0A CN202210836827A CN115114488B CN 115114488 B CN115114488 B CN 115114488B CN 202210836827 A CN202210836827 A CN 202210836827A CN 115114488 B CN115114488 B CN 115114488B
- Authority
- CN
- China
- Prior art keywords
- matrix
- evolution
- node
- abnormal
- role
- 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.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 86
- 238000001514 detection method Methods 0.000 title description 5
- 239000011159 matrix material Substances 0.000 claims abstract description 104
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 5
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 17
- 230000002776 aggregation Effects 0.000 claims description 15
- 238000004220 aggregation Methods 0.000 claims description 15
- 230000007480 spreading Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
Abstract
本发明是关于一种基于角色发现的动态信息网络异常演化节点检测方法。包括:获取动态信息网络多个历史时刻的网络子快照,对各网络子快照的每个节点进行特征提取获得各网络子快照的特征矩阵通过非负矩阵分解对特征矩阵Vt进行降维分解得到非负矩阵Gt∈RN×r和其中,r<min(N,ft),通过公式计算获得目标非负矩阵Gt;建立角色演化矩阵E;采用多个历史时刻的角色矩阵作为训练数据学习角色演化矩阵E获得角色演化矩阵模型E(i);通过角色演化矩阵模型E(i)预测t+1时刻的角色矩阵通过t+1时刻实际角色矩阵Gt+1和计算t+1时刻演化异常分数矩阵设置预设异常分数区间,判断演化异常分数矩阵F(i)中各节点的异常分数是否在预设异常分数区间中,当不在时判断该节点为异常演化节点。
Description
技术领域
本公开实施例涉及信息网络领域技术领域,尤其涉及一种基于角色发现的动态信息网络异常演化节点检测方法。
背景技术
动态信息网络是当前复杂网络研究领域中极具挑战的新方向,根据研究的侧重点不同可以分为动态网络的结构演化分析和内容演化分析两部分。
由于网络结构本身比较复杂,难以表示和量化,动态网络时序、多变的演化过程更增加了分析的难度,目前动态网络研究还处于起步阶段。已有的动态网络的结构演化分析的相关研究可以分为动态网络结构预测、动态网络的演化分析以及异常发现等。
相关技术中,多采用社团发现、社团演化等相关技术来对动态网络的结构演化进行分析,基于角色发现的动态信息网络结构演化研究较少。
因此,有必要改善上述相关技术方案中存在的一个或者多个问题。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种基于角色发现的动态信息网络异常演化节点检测方法,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
本公开中,提供一种基于角色发现的动态信息网络异常演化节点检测方法,包括:
获取动态信息网络多个历史时刻的网络子快照,对各网络子快照的每个节点进行特征提取获得各网络子快照的特征矩阵其中,t表示不同的历史时刻,t=1、2、3……n;
通过非负矩阵分解对特征矩阵Vt进行降维分解得到非负矩阵Gt∈RN×r和其中,r通过最小描述长度准则确定,r<min(N,ft)且为整数,通过公式/>计算获得目标非负矩阵Gt,其中,/>表示矩阵F范数的平方,Gt则为t时刻网络子快照的角色矩阵;
建立角色演化矩阵E,角色演化矩阵E为表示t-1时刻到t时刻角色的演化概率的矩阵;
采用多个历史时刻的角色矩阵作为训练数据学习角色演化矩阵E获得角色演化矩阵模型E(i);
通过角色演化矩阵模型E(i)预测t+1时刻的角色矩阵通过t+1时刻实际角色矩阵Gt+1和/>计算t+1时刻演化异常分数矩阵/>
设置预设异常分数区间,判断演化异常分数矩阵F(i)中各节点的异常分数是否在预设异常分数区间中,当不在时判断该节点为异常演化节点。
本公开中,历史时刻的网络子快照个数至少为10个。
本公开中,对各网络子快照的每个节点进行特征提取获得各网络子快照的特征矩阵的步骤,包括:
针对各网络子快照的每个节点提取基本特征;
基于基本特征,采用聚集函数递归地对邻居节点的基本特征进行聚集计算得到递归特征;
各网络子快照的每个节点的基本特征和递归特征形成各网络子快照的特征矩阵
本公开中,基于基本特征,采用聚集函数递归地对每个节点邻居节点的基本特征进行聚集计算得到递归特征的步骤,包括:
以各节点为中心,由各节点的一阶邻居开始,按照逐层扩散的方式向外围蔓延获得新特征;
将蔓延得到的最新特征与已有特征进行对比,当已有特征与最新特征的差值小于预设阈值时,则抛弃最新特征终止递归,获得递归特征。
本公开中,聚集函数为求和函数或求平均值函数。
本公开中,基本特征包括节点的度、节点的加权度、节点自网络包含的边界、节点参与三角形的个数。
本公开中,当通过公式计算获得目标非负矩阵Gt,且目标非负矩阵Gt大于一个时,通过计算/>选取τ值最小时对应的非负矩阵Gt。
本公开中,设置预设异常分数区间的步骤,包括:
计算所述演化异常分数矩阵F(i)中各节点的异常分数;
对每个节点的异常分数进行降序排序;
根据上述每个节点的异常分数绘制所述异常分数的频率分布直方图;
对所述频率分布直方图设置置信度区间,超出所述所述置信度区间的区间即为预设异常分数区间。
本公开中,所述置信度区间为所述频率分布直方图中,以中轴线为中心分别向中轴线两侧延伸预设距离后获得的。
本公开的实施例提供的技术方案可以包括以下有益效果:
本公开的实施例中,上述基于角色发现的动态信息网络异常演化节点检测方法,为一种直观的检测异常演化模式的方法,通过节点的演化矩阵来预测t+1时刻网络的角色分布,计算预测值和真实值之间的差异,差异值即为节点的异常分数,异常分数反映了该节点的演化过程相对于网络演化过程的偏离程度,以发现节点结构行为的异常演化模式,能有效挖掘网络中常见的演化模式,并识别异常演化模式。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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。
图1示出本发明示例性实施例中基于角色发现的动态信息网络异常演化节点检测方法流程图;
图2示出本发明示例性实施例中递归特征获取方法示意图;
图3示出本发明示例性实施例中基本特征示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本发明将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本发明实施例的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。
本示例实施方式中首先提供了一种基于角色发现的动态信息网络异常演化节点检测方法。参考图1中所示,该基于角色发现的动态信息网络异常演化节点检测方法可以包括:
步骤S101:获取动态信息网络多个历史时刻的网络子快照,对各网络子快照的每个节点进行特征提取获得各网络子快照的特征矩阵其中,t表示不同的历史时刻,t=1、2、3……n;
步骤S102:通过非负矩阵分解对特征矩阵Vt进行降维分解得到非负矩阵Gt∈RN×r和其中,r通过最小描述长度准则确定,r<min(N,ft)且为整数,通过公式计算获得目标非负矩阵Gt,其中,/>表示矩阵F范数的平方,Gt则为t时刻网络子快照的角色矩阵;
步骤S103:建立角色演化矩阵E,角色演化矩阵E为表示t-1时刻到t时刻角色的演化概率的矩阵;
步骤S104:采用多个历史时刻的角色矩阵作为训练数据学习角色演化矩阵E获得角色演化矩阵模型E(i);
步骤S105:通过角色演化矩阵模型E(i)预测t+1时刻的角色矩阵通过t+1时刻实际角色矩阵Gt+1和/>计算t+1时刻演化异常分数矩阵/>
步骤S106:设置预设异常分数区间,判断演化异常分数矩阵F(i)中各节点的异常分数是否在预设异常分数区间中,当不在时判断该节点为异常演化节点。
具体的,在步骤S101中,获取多个历史时刻的网络子快照,对各网络子快照的每个节点进行特征提取获得各网络子快照的特征矩阵多个历史时刻的间隔时长相等,间隔时间以小时、天、周、月为单位都可以,根据具体数据集设置,没有具体限制。
在步骤S102中,通过非负矩阵分解的方式将Vt进行降维分解得到非负矩阵Gt∈RN ×r和r<min(N,ft)且为整数,如此条件下的r可能不止一个,因此需要通过公式计算获得目标非负矩阵Gt,从而获得能够使得GtF与Vt差值最小的r,继而得到对应的Gt,即为t时刻网络子快照的角色矩阵。
在步骤S103中,建立角色演化矩阵E:
其中,E中的每个元素/>表示节点的结构由角色ri转换为角色rj的概率,演化矩阵E表示了节点在一定时间间隔内从角色ri到角色rj演化概率。
在步骤S104中,采用多个历史时刻的角色矩阵Gt作为训练数据,通过多重转换(堆叠模式)如:训练数据学习角色演化矩阵E获得角色演化矩阵模型E(i)。
在步骤S105中,通过演化矩阵模型E(i)可以在t时刻角色矩阵Gt的基础上预测预测t+1时刻的角色矩阵在获得t+1时刻实际角色矩阵Gt+1后,可以通过Gt+1和/>计算t+1时刻演化异常分数矩阵/>该矩阵中包含了所有节点的异常分数。
在步骤S106中,设置预设异常分数区间,判断各节点的异常分数与预设异常分数区间的关系,对于异常分数不在预设异常分数区间的节点,则判断该节点是异常演化节点。
上述基于角色发现的动态信息网络异常演化节点检测方法,为一种直观的检测异常演化模式的方法,通过节点的演化矩阵来预测t+1时刻网络的角色分布,计算预测值和真实值之间的差异,差异值即为节点的异常分数,异常分数反映了该节点的演化过程相对于网络演化过程的偏离程度,以发现节点结构行为的异常演化模式,能有效挖掘网络中常见的演化模式,并识别异常演化模式。
下面,将参考图1对本示例实施方式中的上述基于角色发现的动态信息网络异常演化节点检测方法的各个部分进行更详细的说明。
在一个实施例中,历史时刻的网络子快照个数至少为10个。具体的,历史时刻的网络子快照个数越多,则获得的目标非负矩阵Gt个数越多,从而训练数据充足,训练获得的角色演化矩阵模型E(i)越准确。
在一个实施例中,对各网络子快照的每个节点进行特征提取获得各网络子快照的特征矩阵的步骤,包括:
针对各网络子快照的每个节点提取基本特征;
基于基本特征,采用聚集函数递归地对邻居节点的基本特征进行聚集计算得到递归特征;
各网络子快照的每个节点的基本特征和递归特征形成各网络子快照的特征矩阵
在一个实施例中,基于基本特征,采用聚集函数递归地对每个节点邻居节点的基本特征进行聚集计算得到递归特征的步骤,包括:
以各节点为中心,由各节点的一阶邻居开始,按照逐层扩散的方式向外围蔓延获得新特征;
将蔓延得到的最新特征与已有特征进行对比,当已有特征与最新特征的差值小于预设阈值时,则抛弃最新特征终止递归,获得递归特征。
在一个实施例中,参考图2中所示,聚集函数可以为求和函数或求平均值函数。当然,聚集函数还可以为其他函数,在此不做具体的限定。
在一个实施例中,基本特征包括节点的度、节点自网络包含的边界数、节点参与三角形的个数。
示例性的,当网络如图3中所示,虚线内表示n1的自网络,节点n1的3个基本特征分别为度为6、自网络的边数为11、参与三角形的个数为5(三角形n1n2n3、n1n2n5、n1n3n4、n1n3n7和n1n3n5),因此,得到n1的基本特征的向量为<f1,f2,f3>=<6,11,3>。
在一个实施例中,当通过公式计算获得目标非负矩阵Gt,且目标非负矩阵Gt大于一个时,通过计算/>选取τ值最小时对应的非负矩阵Gt。具体的,通过公式/>计算得到到的目标非负矩阵Gt可能不唯一,在不唯一时采用公式/>进行计算,选取τ值最小时对应的非负矩阵Gt。
在一个实施例中,设置预设异常分数区间的步骤,包括:
计算所述演化异常分数矩阵F(i)中各节点的异常分数;
对每个节点的异常分数进行降序排序;
根据上述每个节点的异常分数绘制所述异常分数的频率分布直方图;
对所述频率分布直方图设置置信度区间,超出所述所述置信度区间的区间即为预设异常分数区间。
在一个实施例中,所述置信度区间为所述频率分布直方图中,以中轴线为中心分别向中轴线两侧延伸预设距离后获得的。具体的,所述置信度区间可以根据需要自行进行设定。
上述基于角色发现的动态信息网络异常演化节点检测方法,为一种直观的检测异常演化模式的方法,通过节点的演化矩阵来预测t+1时刻网络的角色分布,计算预测值和真实值之间的差异,差异值即为节点的异常分数,异常分数反映了该节点的演化过程相对于网络演化过程的偏离程度,以发现节点结构行为的异常演化模式,能有效挖掘网络中常见的演化模式,并识别异常演化模式。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外,本领域的技术人员可以将本说明书中描述的不同实施例或示例进行结合和组合。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由所附的权利要求指出。
Claims (9)
1.一种基于角色发现的动态信息网络异常演化节点检测方法,其特征在于,包括:
获取动态信息网络多个历史时刻的网络子快照,对各网络子快照的每个节点进行特征提取获得各网络子快照的特征矩阵其中,t表示不同的历史时刻,t=1、2、3……n,N为网络节点个数,ft为t时刻网络快照计算得到的特征数量;
通过非负矩阵分解对特征矩阵Vt进行降维分解得到非负矩阵Gt∈RN×r和其中,r通过最小描述长度准则确定,r<min(N,ft)且为整数,通过公式/>计算获得目标非负矩阵Gt,其中,/>表示矩阵F范数的平方,Gt则为t时刻网络子快照的角色矩阵;
建立角色演化矩阵E,角色演化矩阵E为表示t-1时刻到t时刻角色的演化概率的矩阵;
采用多个历史时刻的角色矩阵作为训练数据学习角色演化矩阵E获得角色演化矩阵模型E(i);
通过角色演化矩阵模型E(i)预测t+1时刻的角色矩阵通过t+1时刻实际角色矩阵Gt+1和/>计算t+1时刻演化异常分数矩阵/>
设置预设异常分数区间,判断演化异常分数矩阵F(i)中各节点的异常分数是否在预设异常分数区间中,当不在时判断该节点为异常演化节点。
2.根据权利要求1基于角色发现的动态信息网络异常演化节点检测方法,其特征在于,历史时刻的网络子快照个数至少为10个。
3.根据权利要求1基于角色发现的动态信息网络异常演化节点检测方法,其特征在于,对各网络子快照的每个节点进行特征提取获得各网络子快照的特征矩阵的步骤,包括:
针对各网络子快照的每个节点提取基本特征;
基于基本特征,采用聚集函数递归地对邻居节点的基本特征进行聚集计算得到递归特征;
各网络子快照的每个节点的基本特征和递归特征形成各网络子快照的特征矩阵
4.根据权利要求3基于角色发现的动态信息网络异常演化节点检测方法,其特征在于,基于基本特征,采用聚集函数递归地对每个节点邻居节点的基本特征进行聚集计算得到递归特征的步骤,包括:
以各节点为中心,由各节点的一阶邻居开始,按照逐层扩散的方式向外围蔓延获得新特征;
将蔓延得到的最新特征与已有特征进行对比,当已有特征与最新特征的差值小于预设阈值时,则抛弃最新特征终止递归,获得递归特征。
5.根据权利要求4基于角色发现的动态信息网络异常演化节点检测方法,其特征在于,聚集函数为求和函数或求平均值函数。
6.根据权利要求5基于角色发现的动态信息网络异常演化节点检测方法,其特征在于,基本特征包括节点的度、节点自网络包含的边界数、节点参与三角形的个数。
7.根据权利要求1基于角色发现的动态信息网络异常演化节点检测方法,其特征在于,当通过公式计算获得目标非负矩阵Gt,且目标非负矩阵Gt大于一个时,通过计算/>选取τ值最小时对应的非负矩阵Gt。
8.根据权利要求1基于角色发现的动态信息网络异常演化节点检测方法,其特征在于,设置预设异常分数区间的步骤,包括:
计算所述演化异常分数矩阵F(i)中各节点的异常分数;
对每个节点的异常分数进行降序排序;
根据上述每个节点的异常分数绘制所述异常分数的频率分布直方图;
对所述频率分布直方图设置置信度区间,超出所述所述置信度区间的区间即为预设异常分数区间。
9.根据权利要求8基于角色发现的动态信息网络异常演化节点检测方法,其特征在于,所述置信度区间为所述频率分布直方图中,以中轴线为中心分别向中轴线两侧延伸预设距离后获得的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210836827.0A CN115114488B (zh) | 2022-07-15 | 2022-07-15 | 基于角色发现的动态信息网络异常演化节点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210836827.0A CN115114488B (zh) | 2022-07-15 | 2022-07-15 | 基于角色发现的动态信息网络异常演化节点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115114488A CN115114488A (zh) | 2022-09-27 |
CN115114488B true CN115114488B (zh) | 2024-03-26 |
Family
ID=83333106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210836827.0A Active CN115114488B (zh) | 2022-07-15 | 2022-07-15 | 基于角色发现的动态信息网络异常演化节点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115114488B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202614A (zh) * | 2016-06-24 | 2016-12-07 | 四川大学 | 动态网络中的异常结构演化发现的方法 |
CN108540327A (zh) * | 2018-04-19 | 2018-09-14 | 中国人民解放军战略支援部队信息工程大学 | 一种动态网络异常链接行为检测方法及系统 |
CN111126437A (zh) * | 2019-11-22 | 2020-05-08 | 中国人民解放军战略支援部队信息工程大学 | 基于加权动态网络表示学习的异常群体检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220019887A1 (en) * | 2020-07-14 | 2022-01-20 | International Business Machines Corporation | Anomaly detection in network topology |
-
2022
- 2022-07-15 CN CN202210836827.0A patent/CN115114488B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202614A (zh) * | 2016-06-24 | 2016-12-07 | 四川大学 | 动态网络中的异常结构演化发现的方法 |
CN108540327A (zh) * | 2018-04-19 | 2018-09-14 | 中国人民解放军战略支援部队信息工程大学 | 一种动态网络异常链接行为检测方法及系统 |
CN111126437A (zh) * | 2019-11-22 | 2020-05-08 | 中国人民解放军战略支援部队信息工程大学 | 基于加权动态网络表示学习的异常群体检测方法 |
Non-Patent Citations (2)
Title |
---|
动态信息网络中的角色演化异常及其发现;李艳梅;李川;唐常杰;张永辉;张彪;杨宁;罗谦;;计算机科学与探索;20150210(第03期);全文 * |
基于角色发现的动态信息网络结构演化分析;冯冰清等;软件学报;20190315;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115114488A (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | A two-stage consensus method for large-scale multi-attribute group decision making with an application to earthquake shelter selection | |
CN108280670B (zh) | 种子人群扩散方法、装置以及信息投放系统 | |
US20220215246A1 (en) | Method for constructing and training decentralized migration diagram neural network model for production process | |
CN110751191A (zh) | 一种图像的分类方法及系统 | |
Wen et al. | Identifying poultry farms from satellite images with residual dense u-net | |
CN115114488B (zh) | 基于角色发现的动态信息网络异常演化节点检测方法 | |
CN114416423A (zh) | 一种基于机器学习的根因定位方法和系统 | |
CN111756587B (zh) | 一种采用GraphSAGE预测时序网络链路的方法 | |
CN112347369B (zh) | 基于网络表征的集成学习动态社会网络链路预测方法 | |
CN113627464B (zh) | 图像处理方法、装置、设备和存储介质 | |
CN113065781B (zh) | 一种目标群体活动事件的演化路径及发展进程分析方法 | |
CN115019342A (zh) | 一种基于类关系推理的濒危动物目标检测方法 | |
CN114359605A (zh) | 一种人脸聚类的方法、装置及设备 | |
Shen et al. | High-order organization of weighted microbial interaction network | |
CN110874465B (zh) | 基于半监督学习算法的移动设备实体识别方法及装置 | |
CN113783725A (zh) | 一种基于高通滤波器和改进rnn的机会网络链路预测方法 | |
CN109308565B (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 | |
CN112861663A (zh) | 一种基于语义分割的家禽姿态监测方法和系统 | |
CN110955811A (zh) | 基于朴素贝叶斯算法的电力数据分类方法及系统 | |
CN115618921B (zh) | 知识蒸馏方法、装置、电子设备和存储介质 | |
CN117350549B (zh) | 计及出力相关性的配电网电压风险识别方法、装置及设备 | |
Zhuang | Probabilistic analysis of distinctive features for discovering growth mechanism in complex networks | |
Cirillo et al. | Learning Dynamic Graphs under Partial Observability | |
CN112115996B (zh) | 图像数据的处理方法、装置、设备及存储介质 | |
Ohashi et al. | Does Student-Submission Allocation Affect Peer Assessment Accuracy? |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |