CN115311205A - 一种基于图神经网络联邦学习的工业设备故障检测方法 - Google Patents

一种基于图神经网络联邦学习的工业设备故障检测方法 Download PDF

Info

Publication number
CN115311205A
CN115311205A CN202210803801.6A CN202210803801A CN115311205A CN 115311205 A CN115311205 A CN 115311205A CN 202210803801 A CN202210803801 A CN 202210803801A CN 115311205 A CN115311205 A CN 115311205A
Authority
CN
China
Prior art keywords
neural network
graph
industrial equipment
client
data
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
CN202210803801.6A
Other languages
English (en)
Inventor
罗光圣
方志军
赵晓丽
杨驰
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.)
Shanghai University of Engineering Science
Original Assignee
Shanghai University of Engineering Science
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 Shanghai University of Engineering Science filed Critical Shanghai University of Engineering Science
Priority to CN202210803801.6A priority Critical patent/CN115311205A/zh
Publication of CN115311205A publication Critical patent/CN115311205A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于图神经网络联邦学习的工业设备故障检测方法，属于工业设备故障检测领域。该方法包括：客户端采集工业设备故障数据，构建带有标签的工业设备图数据集；建立并初始化客户端图神经网络模型；根据工业设备图数据集和公共数据集训练图神经网络模型；并将训练好的模型参数上传中央服务器，中央服务器将得到的所有客户端模型参数进行聚合，得到更新的模型参数，并下发给所有客户端；客户端更新本地模型，迭代训练直至网络模型的损失值小于阈值或达到指定训练次数。本发明依据图结构数据，基于图神经网络在联邦学习架构下进行训练，并在联邦学习架构下进行GNN聚合。使得在本地数据的私密性得以保证的前提下，本地模型间互相受益。

Description

一种基于图神经网络联邦学习的工业设备故障检测方法
技术领域
本发明涉及工业设备故障检测领域，特别涉及一种基于图神经网络联邦学习的工业设备故障检测方法。
背景技术
随着智能制造工业大数据分析技术的进展，越来越多的机器学习算法被应用到了设备故障预测性维护领域，然而在实际应用中却缺少数据，如汽车制造等高端智能设备故障的数据等。此外，在实际应用中还面临数据与知识共享的隐私侵犯及信息泄露的问题，如何满足工业应用在非受控环境下的数据与知识使用合法和安全保障要求，实现联网数据的隐私防护和安全共享，攻克工业智能终端及联网的多级安全防护成为当前研究的一个热点。
发明内容
针对上述问题，本发明依据图结构数据，基于图神经网络在联邦学习架构下进行训练，并在联邦学习架构设置下进行GNN聚合。使得在本地数据的私密性得以保证的前提下，本地模型间互相受益。
为了达到上述目的，本发明提供了一种基于图神经网络联邦学习的工业设备故障检测方法。该方法包括：
(1)客户端采集工业设备故障数据，构建带有标签的工业设备图数据集；
(2)建立并初始化所述客户端图神经网络模型；
(3)根据所述工业设备图数据集和公共数据集训练所述图神经网络模型；
(4)所述客户端将训练好的所述图神经网络模型参数上传给中央服务器；
(5)所述中央服务器将得到的所有所述客户端图神经网络模型参数进行计算，得到更新的所述图神经网络模型参数，并下发给所有所述客户端；
(6)所述客户端根据接收到的所述图神经网络模型参数，更新所述客户端图神经网络模型；
(7)循环步骤3至6，直至所述图神经网络模型的损失值小于阈值或达到指定训练次数。
进一步的，在步骤1中所述构建带有标签的工业设备图数据集为：对所述汽车设故障数据，挑出含有不合格工艺流程的数据，并使用图结构进行表示。
进一步的，所述用图结构进行表示包括：
通过无监督聚类将所述汽车设备故障数据的csv文档集中记录的数据转化成非结构化的Graph图结构数据；
所述图结构数据定义为
Figure BDA0003735623710000021
在所述联邦学习架构中每个所述客户端有数据集
Figure BDA0003735623710000031
其中V(k)、ε(k)、Y(k)分别表示节点集、边的集合、标签的集合。
进一步的，所述步骤3中模型训练方法包括：
(3.1)将所述工业设备图数据集和公共数据集的数据采用图神经网络嵌入表示；
(3.2)计算所述图神经网络的交叉熵损失函数；
(3.3)按照最小化所述损失函数原则，训练所述图神经网络模型，获得更新的所述客户端本地网络模型参数。
进一步的，所述图神经网络嵌入表示包括：将所述数据集数据输入networkx工具构建，然后使用DGL工具实现嵌入式表示。
进一步的，所述步骤5中所述中央服务器将得到的所有所述客户端图神经网络模型进行计算为：针对权重值使用FedAvg算法进行聚合。
本发明还提供了一种基于图神经网络联邦学习的工业设备故障检测装置，包括：
部署模块：用于部署中央服务器，将各个客户端点连接所述中央服务器，建立并初始化所述客户端图神经网络模型；
训练模块：用于所述客户端根据工业设备图数据集和公共数据集训练所述图神经网络模型，获取模型参数；
聚合模块：用于所述中央服务器获得所有所述客户端的模型参数进行参数聚合，更新所述客户端图神经网络模型；
其中，重复执行训练模块和聚合模块，到所述图神经网络模型的损失值小于阈值或达到指定训练次数。
本发明还提供了一种设备，包括存储器、处理器以及存储在存储器中并能在存储器上执行的计算机程序，所述处理器执行计算机程序时实现上述的基于图神经网络联邦学习的工业设备故障检测方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的方法。
本发明的有益效果：
本发明以工业智能制造设备的故障数据为研究对象，通过本地非结构化图数据的GNN嵌入表示，训练一个有分布式联邦学习的图神经网络模型。能够有效的保护本地数据的安全，防止了数据隐私泄露。并且将数据转化为信息、知识、模型、图谱等非结构化形式，确保隐私安全情况下最大限度地提高数据的可用性。
与现有技术相比，这种方法非常适合非结构化的图数据，使用联邦机器学习架构在保障信息安全的前提下训练全局图模型，可以搭建同行业的横向联邦学习架构或跨行业的纵向联邦学习架构，同时保证了数据的隐私和安全。
附图说明
图1是本发明实施例基于图神经网络联邦学习的工业设备故障检测方法流程示意图。
图2是本发明实施例的联邦学习的部署架构图。
图3是本发明实施例基于图神经网络联邦学习的工业设备故障检测方法框架示意图。
图4是本发明实施例神经网络联邦学习的通信图。
图5是本发明实施例基于图神经网络联邦学习的工业设备故障检测装置示意图。
具体实施方式
为使本发明的技术方案更加清楚，下面结合附图和实施例对本发明做进一步阐述。如图1所示，本发明按以下步骤具体实现：
S101、客户端采集工业设备故障数据，构建带有标签的工业设备图数据集；
本发明利用公共的图数据集和真实的设备故障数据集，将采用多个领域(生物分子、知识图谱、推荐系统等)的多个数据集，包括公开可用的数据集和专门获得的数据集。图数据集和真实数据集由于结构和特征异质性等具有独立同分布性。在联邦学习FL中多种来源的数据很难区分，因此本发明重点是如何产生可重构和统计的独立同分布的样本。本发明通过无监督聚类将实际应用中真实的设备数据csv文档集中每个csv文件的设备烧程ID按照概率分布的形式给出，对数据集进行分区，这种方法可以在任何数据领域应用。针对真实的设备数据集则首先构建一个图结构数据可定义为
Figure BDA0003735623710000051
在横向联邦学习框架中每个客户端有数据集
Figure BDA0003735623710000052
V(k)、ε(k)、Y(k)分别表示节点集、边的集合、标签的集合。在横向联邦中每个客户端都有标签。
S102、建立并初始化所述客户端图神经网络模型；
如图2所示，基于图方法的联邦学习网络模型建模，搭建联邦学习平台，将所有客户端接入所述联邦学习平台；每个客户端建立并初始化图神经网络模型。
S103、根据所述工业设备图数据集和公共数据集训练所述图神经网络模型；
(1)将所述工业设备图数据集和公共数据集的数据采用图神经网络嵌入表示；
将所述数据集数据输入networkx工具构建，然后使用DGL工具实现嵌入式表示。
(2)计算所述图神经网络的交叉熵损失函数；
(3)按照最小化所述损失函数原则，训练所述图神经网络模型，获得更新的所述客户端本地网络模型参数。
S104、所述客户端将训练好的所述图神经网络模型参数上传给中央服务器；
所有客户端将本地图神经网络模型参数上传中央服务器。
S105、所述中央服务器将得到的所有所述客户端图神经网络模型参数进行计算，得到更新的所述图神经网络模型参数，并下发给所有所述客户端；
如图3所示，k个客户端的图神经网络总的learning权重定位为：W＝{Mθ，Uφ，Rδ}，通过调整W来分布式优化F(W)，即
Figure BDA0003735623710000061
其中
Figure BDA0003735623710000062
为K个客户端第th个客户端的目标函数，
Figure BDA0003735623710000063
分别表示节点集、边的集合、标签的集合。L为GNN的全局损失，这里采用全局平均，对所有客户端的模型进行聚合，服务器在参数聚合过程中不需要任何客户端的图拓扑信息。一般情况下使用FedAvg来进行训练，本地客户端只需要计算自持图数据的嵌入，而不是集中的数据集(避免了本地客户端所持数据的隐私泄露问题)。每一个客户端分别训练本地GNN模型并上传到中央服务器。中央服务器通过汇总所有本地客户端的模型参数来更新模型，然后将更新的模型同步到所有客户端。这样，中央服务器可以在不接触原始数据的同时建立一个全局GNN模型，与直接在集中式数据集上训练的模型保持几乎相同的结果。
S106、所述客户端根据接收到的所述图神经网络模型参数，更新所述客户端图神经网络模型；
S107、返回步骤S103，直至所述图神经网络模型的损失值小于阈值或达到指定训练次数。
最后，测试图神经网络联邦学习的方法效果
测试时，采用不同领域公共图数据集，将图数据输入图神经网络联邦学习模型中，先经过图网络完成嵌入处理，然后进行分布式和集中式框架的联邦架构进行学习，最终得到图神经网络联邦学习方法的结果如表1所示。从结果可以看出当图数据集较小时，图神经网络的联邦学习不同架构精确度处于同等水平，这也证明了图神经网络联邦学习方法的可行性与有效性。
表1图神经网络联邦学习公共数据集的学习结果
Figure BDA0003735623710000071
Figure BDA0003735623710000081
使用真实的汽车公司数据如表2所示，预测图中单个节点的标签。本测试案例选择根据其中一个客户端的设备合格数据预测其它节点的设备数据是否合格，可通过节点分类判断设备的合格与不合格，不合格说明存在故障。真实数据分散在多个部门，协同预测设备故障情况，测试的准确率、精确率、召回率如如表3所示。从实验结果可以看出，当图数据集较小时相关指标可以达到80％以上。
表2：工业设备的样本数据
Figure BDA0003735623710000082
表3：图神经网络联邦学习工业设备的样本数据集的学习结果
指标 F1 Score Accuracy Precision Recall
百分比％ 0.8919 0.8095 0.9706 0.825
根据另一方面的实施例，还提供了一种基于图神经网络联邦学习的工业设备故障检测装置，如图5所示，包括：
部署模块510：用于部署中央服务器，将各个客户端点连接所述中央服务器，建立并初始化所述客户端图神经网络模型；
训练模块520：用于所述客户端根据工业设备图数据集和公共数据集训练所述图神经网络模型，获取模型参数；
聚合模块530：用于所述中央服务器获得所有所述客户端的模型参数进行参数聚合，更新所述客户端图神经网络模型；
其中，重复执行训练模块和聚合模块，到所述图神经网络模型的损失值小于阈值或达到指定训练次数。
根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行图1所描述的方法。
根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现图1所述的方法。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本说明书实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (9)

1.一种基于图神经网络联邦学习的工业设备故障检测方法，其特征在于，包括如下步骤：
(1)客户端采集工业设备故障数据，构建带有标签的工业设备图数据集；
(2)建立并初始化所述客户端图神经网络模型；
(3)根据所述工业设备图数据集和公共数据集训练所述图神经网络模型；
(4)所述客户端将训练好的所述图神经网络模型参数上传给中央服务器；
(5)所述中央服务器将得到的所有所述客户端图神经网络模型参数进行计算，得到更新的所述图神经网络模型参数，并下发给所有所述客户端；
(6)所述客户端根据接收到的所述图神经网络模型参数，更新所述客户端图神经网络模型；
(7)循环步骤3至6，直至所述图神经网络模型的损失值小于阈值或达到指定训练次数。
2.根据权利要求1所述的一种基于图神经网络联邦学习的工业设备故障检测方法，其特征在于，在步骤1中所述构建带有标签的工业设备图数据集为：对所述汽车设故障数据，挑出含有不合格工艺流程的数据，并使用图结构进行表示。
3.根据权利要求2所述的一种基于图神经网络联邦学习的工业设备故障检测方法，其特征在于，所述用图结构进行表示包括：
通过无监督聚类将所述汽车设备故障数据的csv文档集中记录的数据转化成非结构化的Graph图结构数据；
所述图结构数据定义为
Figure FDA0003735623700000021
在所述联邦学习架构中每个所述客户端有数据集
Figure FDA0003735623700000022
其中V(k)、ε(k)、Y(k)分别表示节点集、边的集合、标签的集合。
4.根据权利1所述的一种基于图神经网络联邦学习的工业设备故障检测方法，其特征在于，所述步骤3中模型训练方法包括：
(3.1)将所述工业设备图数据集和公共数据集的数据采用图神经网络嵌入表示；
(3.2)计算所述图神经网络的交叉熵损失函数；
(3.3)按照最小化所述损失函数原则，训练所述图神经网络模型，获得更新的所述客户端本地网络模型参数。
5.根据权利4所述的一种基于图神经网络联邦学习的工业设备故障检测方法，其特征在于，所述图神经网络嵌入表示包括：
将所述数据集数据输入networkx工具构建，然后使用DGL工具实现嵌入式表示。
6.根据权利4所述的一种基于图神经网络联邦学习的工业设备故障检测方法，其特征在于，所述步骤5中所述中央服务器将得到的所有所述客户端图神经网络模型进行计算为：针对权重值使用FedAvg算法进行聚合。
7.一种基于图神经网络联邦学习的工业设备故障检测装置，包括：
部署模块：用于部署中央服务器，将各个客户端点连接所述中央服务器，建立并初始化所述客户端图神经网络模型；
训练模块：用于所述客户端根据工业设备图数据集和公共数据集训练所述图神经网络模型，获取模型参数；
聚合模块：用于所述中央服务器获得所有所述客户端的模型参数进行参数聚合，更新所述客户端图神经网络模型；
其中，重复执行训练模块和聚合模块，到所述图神经网络模型的损失值小于阈值或达到指定训练次数。
8.一种设备，包括存储器、处理器以及存储在存储器中并能在存储器上执行的计算机程序，其特征在于：所述处理器执行计算机程序时实现如权利要求1-6中任一项所述的基于图神经网络联邦学习的工业设备故障检测方法。
9.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-6中任一项所述的方法。
CN202210803801.6A 2022-07-07 2022-07-07 一种基于图神经网络联邦学习的工业设备故障检测方法 Pending CN115311205A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210803801.6A CN115311205A (zh) 2022-07-07 2022-07-07 一种基于图神经网络联邦学习的工业设备故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210803801.6A CN115311205A (zh) 2022-07-07 2022-07-07 一种基于图神经网络联邦学习的工业设备故障检测方法

Publications (1)

Publication Number Publication Date
CN115311205A true CN115311205A (zh) 2022-11-08

Family

ID=83856698

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210803801.6A Pending CN115311205A (zh) 2022-07-07 2022-07-07 一种基于图神经网络联邦学习的工业设备故障检测方法

Country Status (1)

Country Link
CN (1) CN115311205A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115773562A (zh) * 2022-11-24 2023-03-10 杭州经纬信息技术股份有限公司 基于联邦学习的统一化暖通空调系统故障检测方法
CN116561229A (zh) * 2023-07-03 2023-08-08 厦门泛卓信息科技有限公司 一种基于图神经网络的数据同步方法、装置及存储介质
CN117273086A (zh) * 2023-11-17 2023-12-22 支付宝(杭州)信息技术有限公司 多方联合训练图神经网络的方法及装置
CN117688425A (zh) * 2023-12-07 2024-03-12 重庆大学 面向Non-IID图数据的多任务图分类模型构建方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115773562A (zh) * 2022-11-24 2023-03-10 杭州经纬信息技术股份有限公司 基于联邦学习的统一化暖通空调系统故障检测方法
CN116561229A (zh) * 2023-07-03 2023-08-08 厦门泛卓信息科技有限公司 一种基于图神经网络的数据同步方法、装置及存储介质
CN116561229B (zh) * 2023-07-03 2023-09-08 厦门泛卓信息科技有限公司 一种基于图神经网络的数据同步方法、装置及存储介质
CN117273086A (zh) * 2023-11-17 2023-12-22 支付宝(杭州)信息技术有限公司 多方联合训练图神经网络的方法及装置
CN117273086B (zh) * 2023-11-17 2024-03-08 支付宝(杭州)信息技术有限公司 多方联合训练图神经网络的方法及装置
CN117688425A (zh) * 2023-12-07 2024-03-12 重庆大学 面向Non-IID图数据的多任务图分类模型构建方法及系统

Similar Documents

Publication Publication Date Title
CN115311205A (zh) 一种基于图神经网络联邦学习的工业设备故障检测方法
Dong et al. Short-term load forecasting in smart grid: A combined CNN and K-means clustering approach
Wang et al. Improved BP neural network algorithm to wind power forecast
CN109145516B (zh) 一种基于改进型极限学习机的模拟电路故障识别方法
Huang et al. Machine fault detection for intelligent self-driving networks
CN108710576B (zh) 基于异构迁移的数据集扩充方法及软件缺陷预测方法
CN114048546B (zh) 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法
CN112784918A (zh) 基于无监督图表示学习的节点识别方法、系统、装置
CN111694957B (zh) 基于图神经网络的问题单分类方法、设备及存储介质
Wang et al. Swarm Intelligence‐Based Hybrid Models for Short‐Term Power Load Prediction
CN111079827B (zh) 一种铁路数据状态评估方法及系统
CN110109005B (zh) 一种基于序贯测试的模拟电路故障测试方法
CN117036760A (zh) 一种基于图对比学习的多视图聚类模型实现方法
CN116804964A (zh) 数据处理方法、装置、电子设备及可读存储介质
Seo et al. Automatically inferring data quality for spatiotemporal forecasting
Munikoti et al. Bayesian graph neural network for fast identification of critical nodes in uncertain complex networks
CN113378075A (zh) 一种自适应融合网络拓扑和节点内容的社团发现方法
CN112836763A (zh) 一种图结构数据分类方法及装置
Ceci et al. Signal and graph perturbations via total least-squares
TWI524724B (zh) Telecommunication network alarm correlation analysis method
Yunianta et al. Modelling of network traffic usage using self-organizing maps techniques
CN117235448B (zh) 数据清洗方法、终端设备及存储介质
CN117009883B (zh) 对象分类模型构建方法、对象分类方法、装置和设备
CN117808125B (zh) 模型聚合方法、装置、设备、联邦学习系统及存储介质
CN117113148B (zh) 基于时序图神经网络的风险识别方法、装置及存储介质

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