CN115618065A - 一种数据处理方法及相关设备 - Google Patents
一种数据处理方法及相关设备 Download PDFInfo
- Publication number
- CN115618065A CN115618065A CN202211192347.1A CN202211192347A CN115618065A CN 115618065 A CN115618065 A CN 115618065A CN 202211192347 A CN202211192347 A CN 202211192347A CN 115618065 A CN115618065 A CN 115618065A
- Authority
- CN
- China
- Prior art keywords
- nodes
- data
- node
- partial
- network
- 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
Links
- 238000003672 processing method Methods 0.000 title abstract description 27
- 230000036961 partial effect Effects 0.000 claims abstract description 139
- 238000000034 method Methods 0.000 claims abstract description 89
- 238000012549 training Methods 0.000 claims abstract description 79
- 238000009826 distribution Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 73
- 230000015654 memory Effects 0.000 claims description 62
- 238000013528 artificial neural network Methods 0.000 claims description 61
- 230000000875 corresponding effect Effects 0.000 claims description 40
- 238000003860 storage Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 10
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 10
- 238000010276 construction Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 61
- 230000008569 process Effects 0.000 description 29
- 238000010586 diagram Methods 0.000 description 26
- 239000011159 matrix material Substances 0.000 description 24
- 230000001364 causal effect Effects 0.000 description 21
- 238000004891 communication Methods 0.000 description 21
- 239000013598 vector Substances 0.000 description 21
- 230000009471 action Effects 0.000 description 18
- 238000007781 pre-processing Methods 0.000 description 13
- 238000002372 labelling Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 239000000306 component Substances 0.000 description 10
- 230000001537 neural effect Effects 0.000 description 10
- 238000013461 design Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 9
- 230000007547 defect Effects 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 7
- 239000002131 composite material Substances 0.000 description 6
- 238000013500 data storage Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 230000009897 systematic effect Effects 0.000 description 6
- 230000006978 adaptation Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 125000002015 acyclic group Chemical group 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 239000000872 buffer Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000001976 improved effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种数据处理方法,涉及人工智能领域,方法包括:根据多个节点的数据,通过生成流模型,从所述多个节点中选择部分节点;根据所述部分节点的数据,得到损失,所述损失用于更新所述生成流模型;其中,所述损失与如下的一种有关:根据所述部分节点的数据进行任务网络的训练时对所述任务网络更新的正向贡献、所述部分节点的数据和所述多个节点的数据之间联合分布的相似度、以及所述部分节点的数据对于目标节点或者目标子网的关联程度。本申请通过生成流模型,可以从多个节点中选择部分节点,并基于损失的构建,使得生成流模型能够逐渐具备从多个节点中选择其中高质量节点的能力,进而可以在保证精度的前提下能够快速从多个节点中选择优质的节点。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种数据处理方法及相关设备。
背景技术
人工智能(artificial intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
主动学习是一种通过主动选择最有价值的样本进行标注的机器学习或人工智能方法。其目的是使用尽可能少的、高质量的样本标注来训练使模型达到尽可能好的性能。也就是说,主动学习方法能够提高样本及标注的增益,在有限标注预算的前提下,最大化模型的性能,是一种从样本的角度,提高数据效率的方案,因而被应用在标注成本高、标注难度大等任务中。
现有技术中,主动学习问题等价于选择添加一组标注样本,使得其他样本对标注样本集的最大距离最小,也就是k-center集覆盖问题。然而,每一次迭代都需要对模型在新的有标签数据集上训练到收敛,以准备进行下一轮查询,时间和算力开销过大。
因此,亟需一种在保证精度的前提下能够快速进行主动学习的方法。
发明内容
本申请提供了一种数据处理方法,能够在保证精度的前提下能够快速从多个节点中选择高质量的节点。
第一方面,本申请提供了一种数据处理方法,所述方法包括:根据多个节点的数据,通过生成流模型,从所述多个节点中选择部分节点;根据所述部分节点的数据,得到损失,所述损失用于更新所述生成流模型;其中,所述损失与如下的一种有关:根据所述部分节点的数据进行任务网络的训练时对所述任务网络更新的正向贡献、所述部分节点的数据和所述多个节点的数据之间联合分布的相似度、以及所述部分节点的数据对于目标节点或者目标子网的关联程度,所述目标节点为所述多个节点中的一个,所述目标子网为所述多个节点中的部分节点构成的。
本申请实施例中,通过生成流模型,可以从多个节点中选择部分节点,并基于损失的构建,使得生成流模型能够逐渐具备从多个节点中选择其中高质量节点的能力,进而可以在保证精度的前提下能够快速从多个节点中选择优质的节点。
在一种可能的实现中,所述任务网络为图神经网络,所述多个节点为图信息中的节点。
在一种可能的实现中,所述节点的数据包括节点的信息以及节点和其他节点之间的连接关系信息。
在一种可能的实现中,所述正向贡献与通过所述部分节点的数据训练所述任务网络后得到的更新后的任务网络的处理精度正相关。
在一种可能的实现中,所述关联程度与根据所述部分节点的数据,通过任务网络对所述目标节点或者所述目标子网中节点的标签的预测准确度有关;或者,所述关联程度与所述部分节点和对应的真值之间的相似度有关,所述真值为多个节点。
在一种可能的实现中,所述部分节点包括中间节点和终止节点;所述损失具体包括所述中间节点对应的第一损失和终止节点对应的第二损失;所述第一损失为所述中间节点的第一输入流量和输出流量之间的差异;所述第二损失为所述终止节点的第二输入流量和奖励值之间的差异;所述奖励值与如下的一种有关:根据所述部分节点的数据进行任务网络的训练时对所述任务网络更新的正向贡献、或者所述部分节点的数据和所述多个节点的数据之间联合分布的相似度。
在一种可能的实现中,所述任务网络用于根据所述部分节点的数据,进行所述部分节点的标签预测。
在一种可能的实现中,所述通过生成流模型,处理多个节点的数据,从所述多个节点中选择部分节点,包括:通过生成流模型,处理多个节点的数据,依次从所述多个节点中选择节点,直到选择出的节点数量达到预设值,得到所述部分节点。
在一种可能的实现中,所述节点为芯片,节点的数据为芯片的局部片段或者故障信息;或者,
所述节点为通信网络的节点,节点的数据为网元的关键表现指标KPI、运行数据或者告警信息;
其中,关联程度可以为因果关系;
其中,芯片的局部片段可以为芯片表面的局部区域,多个局部片段可以为芯片表面的多个局部区域,且多个局部片段中的任意两个局部片段之间的面积大小和外部轮廓形状相同,其中,局部片段之间的面积大小相同可以理解为局部片段所在的区域的面积相同,局部片段之间的外部轮廓形状相同可以理解为局部片段所在的区域的外部轮廓形状相同,例如都为正方形,或者长宽比一致的矩形等等;其中,在一种可能的实现中,多个局部片段中的每个局部片段的面积在预设范围内,每个局部片段的面积不能过大也不能过小,局部片段的面积大小可以与芯片的大小有关,芯片的大小越大,则局部片段的面积越大,例如局部片段的面积和芯片的面积可以保持一定比例,局部片段的面积大小还可以与芯片上的基础单元之间的间隔长度有关,例如可以将局部片段的边长设置为基础单元(例如芯片上的铺铜polygon区域)之间的间隔长度的预设倍数,例如3倍、4倍、5倍等等。其中,每个局部片段可以包括排布的器件和/或器件之间的连接线,本申请实施例中,局部片段,具体可以是获取到每个局部片段的图像信息或者是其他能够表达局部片段上器件排布或者连接线结构的信息,基于该信息可以唯一确定局部片段的结构特征;
其中,芯片的的故障信息可以包括每个局部片段在诊断报告中的出现次数;或,每个局部片段导致故障芯片出现芯片故障的概率等;
其中,KPI可以用来衡量通信网络中网元的运行状态。通常情况下,异常检测设备会采集每个KPI在不同时刻的观测数据。
在一种可能的实现中,节点可以为用户,节点的数据可以为物品的属性信息以及用户的属性信息;
其中,关联程度可以为因果关系;
在一种可能的实现中,用户的属性信息包括如下的至少一种:性别,年龄,职业,收入,爱好,教育程度。
在一种可能的实现中,物品的属性信息包括如下的至少一种:物品名称,开发者,安装包大小,品类,好评度。
其中,用户的属性信息可以为与用户喜好特征相关的属性,性别、年龄、职业、收入、爱好以及受教育程度中的至少一种,其中,性别可以为男或者女,年龄可以为0-100之间的数字,职业可以为教师、程序员、厨师等等,爱好可以为篮球、网球、跑步等等,受教育程度可以为小学、初中、高中、大学等等;本申请并不限定用户的属性信息的具体类型;
其中,物品可以为实体物品,或者是虚拟物品,例如可以为APP、音视频、网页以及新闻资讯等物品,物品的属性信息可以为物品名称、开发者、安装包大小、品类以及好评度中的至少一种,其中,以物品为应用程序为例,物品的品类可以为聊天类、跑酷类游戏、办公类等等,好评度可以为针对于物品的打分、评论等;本申请并不限定物品的属性信息的具体类型;
其中,操作类型可以为用户针对于物品的行为操作类型,在网络平台和应用上,用户往往和物品有多种多样的交互形式(也就是有多种操作类型),比如用户在电商平台行为中的浏览、点击、加入购物车、购买等操作类型。
应理解,通过生成流模型最终得到的多个变量之间的因果关系可以包括至少一个节点与用户的操作类型之间因果关系。
第二方面,本申请提供了一种数据处理方法,所述方法包括:
根据多个节点的数据,通过生成流模型,从所述多个节点中选择部分节点;
所述选择部分节点的数据用于作为任务网络的训练样本;或者,
所述部分节点为所述多个节点中最能表征所述多个节点的特征的节点;或者,
所述部分节点为所述多个节点中对目标节点或者目标子网的关联程度最高的节点;所述目标节点为所述多个节点中的一个,所述目标子网为所述多个节点中的部分节点构成的;所述目标节点为所述生成流模型选择所述部分节点时的起始节点,所述目标子网中的一个节点为所述生成流模型选择所述部分节点时的起始节点。
在一种可能的实现中,所述任务网络为图神经网络,所述多个节点为图信息中的节点。
在一种可能的实现中,所述节点的数据包括节点的信息以及节点和其他节点之间的连接关系信息。
在一种可能的实现中,所述任务网络用于根据所述部分节点的数据,进行所述部分节点的标签预测。
在一种可能的实现中,所述根据多个节点的数据,通过生成流模型,从所述多个节点中选择部分节点,包括:
通过生成流模型,处理多个节点的数据,依次从所述多个节点中选择节点,直到选择出的节点数量达到预设值,得到所述部分节点。
第三方面,本申请提供了一种数据处理装置,所述装置包括:
处理模块,用于根据多个节点的数据,通过生成流模型,从所述多个节点中选择部分节点;
更新模块,用于根据所述部分节点的数据,得到损失,所述损失用于更新所述生成流模型;其中,所述损失与如下的一种有关:
根据所述部分节点的数据进行任务网络的训练时对所述任务网络更新的正向贡献、所述部分节点的数据和所述多个节点的数据之间联合分布的相似度以及所述部分节点的数据对于目标节点或者目标子网的关联程度,所述目标节点为所述多个节点中的一个,所述目标子网为所述多个节点中的部分节点构成的。
在一种可能的实现中,所述任务网络为图神经网络,所述多个节点为图信息中的节点。
在一种可能的实现中,所述节点的数据包括节点的信息以及节点和其他节点之间的连接关系信息。
在一种可能的实现中,所述正向贡献与通过所述部分节点的数据训练所述任务网络后得到的更新后的任务网络的处理精度正相关。
在一种可能的实现中,所述关联程度与根据所述部分节点的数据,通过任务网络对所述目标节点或者所述目标子网中节点的标签的预测准确度有关;或者,
所述关联程度与所述部分节点和对应的真值之间的相似度有关,所述真值为多个节点。
在一种可能的实现中,所述部分节点包括中间节点和终止节点;所述损失具体包括所述中间节点对应的第一损失和终止节点对应的第二损失;
所述第一损失为所述中间节点的第一输入流量和输出流量之间的差异;
所述第二损失为所述终止节点的第二输入流量和奖励值之间的差异;所述奖励值与如下的一种有关:
根据所述部分节点的数据进行任务网络的训练时对所述任务网络更新的正向贡献、或者所述部分节点的数据和所述多个节点的数据之间联合分布的相似度。
在一种可能的实现中,所述任务网络用于根据所述部分节点的数据,进行所述部分节点的标签预测。
在一种可能的实现中,所述处理模块,具体用于:
通过生成流模型,处理多个节点的数据,依次从所述多个节点中选择节点,直到选择出的节点数量达到预设值,得到所述部分节点。
第四方面,本申请提供了一种数据处理装置,所述装置包括:
处理模块,用于根据多个节点的数据,通过生成流模型,从所述多个节点中选择部分节点;
所述选择部分节点的数据用于作为任务网络的训练样本;或者,
所述部分节点为所述多个节点中最能表征所述多个节点的特征的节点;或者,
所述部分节点为所述多个节点中对目标节点或者目标子网的关联程度最高的节点;所述目标节点为所述多个节点中的一个,所述目标子网为所述多个节点中的部分节点构成的;所述目标节点为所述生成流模型选择所述部分节点时的起始节点,所述目标子网中的一个节点为所述生成流模型选择所述部分节点时的起始节点。
在一种可能的实现中,所述任务网络为图神经网络,所述多个节点为图信息中的节点。
在一种可能的实现中,所述节点的数据包括节点的信息以及节点和其他节点之间的连接关系信息。
在一种可能的实现中,所述任务网络用于根据所述部分节点的数据,进行所述部分节点的标签预测。
在一种可能的实现中,所述处理模块,具体用于:
通过生成流模型,处理多个节点的数据,依次从所述多个节点中选择节点,直到选择出的节点数量达到预设值,得到所述部分节点。
第五方面,本申请实施例提供了一种数据处理装置,可以包括存储器、处理器以及总线系统,其中,存储器用于存储程序,处理器用于执行存储器中的程序,以执行如上述第一方面及其任一可选的方法、或者上述第二方面及其任一可选的方法。
第六方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行上述第一方面及其任一可选的方法、或者上述第二方面及其任一可选的方法。
第七方面,本申请实施例提供了一种包括指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述第一方面及其任一可选的方法、或者上述第二方面及其任一可选的方法。
第八方面,本申请提供了一种芯片系统,该芯片系统包括处理器,用于支持数据处理装置实现上述方面中所涉及的部分或全部功能,例如,发送或处理上述方法中所涉及的数据;或,信息。在一种可能的设计中,芯片系统还包括存储器,存储器,用于保存执行设备或训练设备必要的程序指令和数据。该芯片系统,可以由芯片构成,也可以包括芯片和其他分立器件。
附图说明
图1为一种应用架构示意;
图2为一种应用架构示意;
图3为一种应用架构示意;
图4为一种应用架构示意;
图5为一种应用架构示意;
图6为一种生成流模型的生成过程示意;
图7为本申请实施例提供的云服务的示意;
图8为本申请实施例提供的数据处理方法的实施例示意;
图9为本申请实施例中一种图神经网络主动学习的示意;
图10为本申请实施例中一种主动域自适应的示意;
图11为本申请实施例中一种关联关系识别示意;
图12为本申请实施例中一种软件架构的示意;
图13为本申请实施例提供的一种数据处理装置的实施例示意;
图14为本申请实施例提供的执行设备的一种结构示意图;
图15是本申请实施例提供的服务器一种结构示意图;
图16为本申请实施例提供的芯片的一种结构示意图。
具体实施方式
下面结合本发明实施例中的附图对本发明实施例进行描述。本发明的实施方式部分使用的术语仅用于对本发明的具体实施例进行解释,而非旨在限定本发明。
下面结合附图,对本申请的实施例进行描述。本领域普通技术人员可知,随着技术的发展和新场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
本文中所用用语“基本(substantially)”、“大约(about)”及类似用语用作近似用语、而并非用作程度用语,且旨在考虑到所属领域中的普通技术人员将知的测量值或计算值的固有偏差。此外,在阐述本发明实施例时使用“可(may)”是指“可能的一个或多个实施例”。本文中所用用语“使用(use)”、“正使用(using)”、及“被使用(used)”可被视为分别与用语“利用(utilize)”、“正利用(utilizing)”、及“被利用(utilized)”同义。另外,用语“示例性(exemplary)”旨在指代实例或例示。
首先介绍本申请的应用场景,本申请可以但不限于应用在图神经网络主动学习、生成流网络的主动域自适应、基于生成流网络的图神经网络解释器等场景中,接下来分别进行介绍:
1、图神经网络主动学习;
主动学习是一种通过主动选择最有价值的样本进行标注的机器学习或人工智能方法。其目的是使用尽可能少的、高质量的样本标注使模型达到尽可能好的性能。也就是说,主动学习方法能够提高样本及标注的增益,在有限标注预算的前提下,最大化模型的性能,是一种从样本的角度,提高数据效率的方案,因而被应用在标注成本高、标注难度大等任务中。
对于图神经网络来说,在训练图神经网络时基于大量的训练样本来训练,这会需要大量的时间开销,然而,训练集中往往包括样本质量较高的数据还有样本质量较低的数据,基于样本质量较高的数据,即使数据量较少,仍然可以快速训练得到一个优质的图神经网路模型。
本申请实施例中通过训练一个生成流模型,生成流模型可以从多个训练样本中选择部分优质的样本,用于进行图神经网络的训练。
具体的,可以利用生成流模型中再使用图神经网络去为每个状态节点预测标签的架构,对于一组输入的数据集,其中先预设b个状态节点,生成流模型网络将会以该数据集生成一系列有b个状态节点的有向无环图,由生成流模型中的神经网络和提前设定的奖励函数共同计算损失来优化网络,从而学习一个策略,使得高奖励值的有向无环图有更大的可能性被采样生成,奖励值最大的有向无环图是最拟合数据集的需要的生成流关系。
2、生成流网络的主动域自适应
和图神经网络主动学习类似,都是为了训练一个生成流模型,生成流模型可以从多个训练样本中选择部分优质的样本,不同的是训练方式以及选出样本的用处不同。
3、节点之间的关联度识别
对于图数据来说,其包括多个节点,不同节点之间或者子图(包括多个节点)之间可能存在一定的关联关系,例如存在因果关系。可以基于生成流模型来识别出图数据中哪些节点和指定的节点之间存在较高的关联关系,或者是基于生成流模型来识别出图数据中哪些节点和指定的子图之间存在较高的关联关系。
以关联度识别为实现生成流网络相关的任务为例,在一种可能的实现中,可以通过实现生成流网络相关的任务来进行各种场景下的故障识别,例如可以用于进行通信网络的故障识别、芯片的系统性缺陷识别、计算机事务的故障节点识别、机械故障的识别等,接下来分别进行说明:
在一种可能的实现中,可以通过实现生成流网络相关的任务来进行通信网络的故障识别。
通信网络的关键表现指标(key performance indicator,KPI)可以用来衡量通信网络中网元的运行状态。通常情况下,异常检测设备会采集每个KPI在不同时刻的观测数据,若KPI的观测数据发生了异常,则表明通信网络中的网元的运行状态发生异常。网络运维工程师需要根据发生异常的KPI查找原因,从而排除故障。
在一种可能的实现中,可以基于数据处理方法来确定某些异常KPI之间的因果关系,如第一KPI发生异常的根本原因是由于第二KPI发生异常而引起的,从而网络运维工程师可以根据第二KPI确定故障的网元,以排除故障。
在一种可能的实现中,KPI相当于本申请实施例中的变量,KPI在不同时刻的观测数据相当于本申请实施例中变量的数据,通过本申请实施例中的数据处理方法可以得到KPI之间的因果关系。
在一种可能的实现中,可以通过实现生成流网络相关的任务来进行芯片的系统性缺陷识别。
随着电子产品功能的发展和应用领域的扩大,作为电子产品的核心部件,芯片成为了人们生活中不可或缺的一部分。芯片生产主要分为布局设计和制造两部分。布局设计通常包含多层的电路功能设计,制造包含生产、封装、测试等流程。相同的芯片设计采用不同制造工艺时,一些芯片设计中在原工艺下正常的电路结构可能会出现缺陷,导致芯片良率低于预期。这类因工艺变化而出现设计缺陷的电路结构被称为系统性缺陷。
系统性缺陷的存在会增加芯片电路功能失效的几率,存在电路功能失效的芯片会无法正常使用,从而导致芯片良率降低。良率的下滑会增加生产成本,甚至导致相关产品错过销售窗口期。因此系统性缺陷的根因识别对产品的良率至关重要。为了识别出系统性缺陷,可以针对于芯片的设计结构进行分析,来确定芯片上存在导致芯片故障隐患的局部片段类型。
在一种可能的实现中,可以根据芯片上各个片段的图像,通过数据处理方法,来得到导致芯片故障隐患的局部片段类型。
在一种可能的实现中,可以通过实现生成流网络相关的任务来进行计算机事务的故障节点识别。
随着计算机技术的发展,计算机设备能够处理的事务飞速增长,同时计算机设备每天都可以多次执行同一事务,以满足大量用户的需求。为了提高执行事务的性能,需要对事务的问题进行分析,以便更好的执行事务。
目前,事务分析过程通常为:在事务的执行过程中,实时采集当前的执行记录,从执行记录中,提取执行事务所调用的每个节点的信息,该节点的信息包括节点的名称、调用节点的时长、状态码、不同节点之间的调用关系等;之后,在界面中显示每个节点的信息。可以根据每个节点的信息,通过因果识别方法来判断这些节点是否存在问题,最终找到导致事务出现问题的节点。
在一种可能的实现中,可以通过实现生成流网络相关的任务来进行机械故障的识别。
对于机械加工系统而言,如果已经确定了各个属性与产品是否合格之间的因果关系,则可以基于找到的因果关系来优先调整对于不合格产品影响最大的属性。
在一种可能的实现中,对于电力传输系统而言,如果已经确定了各个传输设备处的中间电压、传输系统的工作状态、电流与电能损耗之间的因果关系,则可以基于找到的因果关系来优先调整对于电能损耗影响最大的变量。以此方式,可以提高电力传输系统的性能。
在一种可能的实现中,可以通过数据处理方法来进行推荐领域中和用户的操作行为相关的因果识别。
在一种可能的实现中,可以获取到用户的操作日志,该操作日志可以包括用户针对于物品的操作行为、物品的属性信息、以及用户的属性信息,可以通过实现生成流网络相关的任务来确定各个属性信息对于用户发生操作行为的因果关系。
本申请实施例可以将上述三个场景对应的功能称之为生成流网络相关的任务,
在产品实现的形态上,本申请实施例可以应用在实现生成流网络相关的任务的应用程序(或者其他类型的计算机程序产品)、云侧服务器提供的与实现生成流网络相关的任务相关的云服务等。
接下来分别从功能架构以及实现功能的产品架构介绍本申请实施例中的实现生成流网络相关的任务的应用程序。
参照图1,图1为本申请实施例中实现生成流网络相关的任务的应用程序的功能架构示意:
在一种可能的实现中,本申请实施例包含能够基于输入的多个数据而自动识别出多个数据中优质数据的系统(例如实现生成流网络相关的任务的应用程序)。如图1所示,实现生成流网络相关任务的应用程序102可接收输入的多个数据101(例如图数据中多个节点的数据)且输出多个数据中的优质数据103。实现生成流网络相关的任务的应用程序102可在(举例来说)至少一个计算机系统上执行,且包括计算机代码,所述计算机代码在由一或多个计算机执行时致使所述计算机执行用于执行本文中所描述的数据处理方法。
在一种可能的实现中,实现生成流网络相关的任务的应用程序可以运行在端侧的终端设备或者运行在云侧的服务器中。
例如,终端设备可以安装有实现生成流网络相关的任务的应用程序,包括数据输入、数据处理(例如本申请实施例中的数据处理方法)以及数据输出的动作可以为终端设备执行的。
例如,终端设备可以安装有实现生成流网络相关的任务的应用程序的客户端,包括数据输入以及数据输出的动作可以为终端设备执行的,而数据处理(例如本申请实施例中的数据处理方法)的动作可以为云侧的服务器执行的,也就是说,终端设备可以将数据处理(例如本申请实施例中的数据处理方法)所需的数据传输到云侧的服务器,云侧的服务器在执行完数据处理动作后,可以将数据处理结果返回至端侧的终端设备,由终端设备基于处理结果进行输出。
接下来介绍本申请实施例中运行实现生成流网络相关的任务的应用程序的实体架构。
参照图2,图2为本申请实施例中运行实现生成流网络相关的任务的应用程序的实体架构示意:
参见图2,图2示出了一种系统架构示意图。该系统可以包括终端100、以及服务器200。其中,服务器200可以包括一个或者多个服务器(图2中以包括一个服务器作为示例进行说明),服务器200可以为一个或者多个终端提供实现生成流网络相关的任务的程序。
其中,终端100上可以安装有实现生成流网络相关的任务的应用程序,或者打开与实现生成流网络相关的任务相关的网页,上述应用程序和网页可以提供一个实现生成流网络相关的任务界面,终端100可以接收用户在实现生成流网络相关的任务界面上输入的相关数据(多个数据),并将上述数据发送至服务器200,服务器200可以基于接收到的数据,得到处理结果(多个数据中的优质数据),并将处理结果返回至至终端100。
应理解,在一些可选的实现中,终端100也可以由自身完成基于接收到的数据,得到数据处理结果的动作,而不需要服务器配合实现,本申请实施例并不限定。
接下来描述图2中终端100的产品形态;
本申请实施例中的终端100可以为手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、个人数字助理(personaldigital assistant,PDA)等,本申请实施例对此不作任何限制。
图3示出了终端100的一种可选的硬件结构示意图。
参考图3所示,终端100可以包括射频单元110、存储器120、输入单元130、显示单元140、摄像头150(可选的)、音频电路160(可选的)、扬声器161(可选的)、麦克风162(可选的)、处理器170、外部接口180、电源190等部件。本领域技术人员可以理解,图3仅仅是终端或多功能设备的举例,并不构成对终端或多功能设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件。
输入单元130可用于接收输入的数字或字符信息,以及产生与该便携式多功能装置的用户设置以及功能控制有关的键信号输入。具体地,输入单元130可包括触摸屏131(可选的)和/或其他输入设备132。该触摸屏131可收集用户在其上或附近的触摸操作(比如用户使用手指、关节、触笔等任何适合的物体在触摸屏上或在触摸屏附近的操作),并根据预先设定的程序驱动相应的连接装置。触摸屏可以检测用户对触摸屏的触摸动作,将该触摸动作转换为触摸信号发送给该处理器170,并能接收该处理器170发来的命令并加以执行;该触摸信号至少包括触点坐标信息。该触摸屏131可以提供该终端100和用户之间的输入界面和输出界面。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触摸屏。除了触摸屏131,输入单元130还可以包括其他输入设备。具体地,其他输入设备132可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
其中,其他输入设备132可以接收到实现生成流网络相关的任务相关的参数,例如本申请实施例中的多个数据等等。
该显示单元140可用于显示由用户输入的信息或提供给用户的信息、终端100的各种菜单、交互界面、文件显示和/或任意一种多媒体文件的播放。在本申请实施例中,显示单元140可用于显示实现生成流网络相关的任务的应用程序的界面、多个数据中的优质数据等。
该存储器120可用于存储指令和数据,存储器120可主要包括存储指令区和存储数据区,存储数据区可存储各种数据,如多媒体文件、文本等;存储指令区可存储操作系统、应用、至少一个功能所需的指令等软件单元,或者他们的子集、扩展集。还可以包括非易失性随机存储器;向处理器170提供包括管理计算处理设备中的硬件、软件以及数据资源,支持控制软件和应用。还用于多媒体文件的存储,以及运行程序和应用的存储。
处理器170是终端100的控制中心,利用各种接口和线路连接整个终端100的各个部分,通过运行或执行存储在存储器120内的指令以及调用存储在存储器120内的数据,执行终端100的各种功能和处理数据,从而对终端设备进行整体控制。可选的,处理器170可包括一个或多个处理单元;优选的,处理器170可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器170中。在一些实施例中,处理器、存储器、可以在单一芯片上实现,在一些实施例中,他们也可以在独立的芯片上分别实现。处理器170还可以用于产生相应的操作控制信号,发给计算处理设备相应的部件,读取以及处理软件中的数据,尤其是读取和处理存储器120中的数据和程序,以使其中的各个功能模块执行相应的功能,从而控制相应的部件按指令的要求进行动作。
其中,存储器120可以用于存储数据处理方法相关的软件代码,处理器170可以执行芯片的数据处理方法的步骤,也可以调度其他单元(例如上述输入单元130以及显示单元140)以实现相应的功能。
该射频单元110(可选的)可用于收发信息或通话过程中信号的接收和发送,例如,将基站的下行信息接收后,给处理器170处理;另外,将设计上行的数据发送给基站。通常,RF电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier,LNA)、双工器等。此外,射频单元110还可以通过无线通信与网络设备和其他设备通信。该无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯系统(Global System of Mobile communication,GSM)、通用分组无线服务(General PacketRadio Service,GPRS)、码分多址(Code Division Multiple Access,CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long Term Evolution,LTE)、电子邮件、短消息服务(Short Messaging Service,SMS)等。
其中,在本申请实施例中,该射频单元110可以将数据发送至服务器200,并接收到服务器200发送的实现生成流网络相关的任务结果。
应理解,该射频单元110为可选的,其可以被替换为其他通信接口,例如可以是网口。
终端100还包括给各个部件供电的电源190(比如电池),优选的,电源可以通过电源管理系统与处理器170逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
终端100还包括外部接口180,该外部接口可以是标准的Micro USB接口,也可以使多针连接器,可以用于连接终端100与其他装置进行通信,也可以用于连接充电器为终端100充电。
尽管未示出,终端100还可以包括闪光灯、无线保真(wireless fidelity,WiFi)模块、蓝牙模块、不同功能的传感器等,在此不再赘述。下文中描述的部分或全部方法均可以应用在如图3所示的终端100中。
接下来描述图2中服务器200的产品形态;
图4提供了一种服务器200的结构示意图,如图4所示,服务器200包括总线201、处理器202、通信接口203和存储器204。处理器202、存储器204和通信接口203之间通过总线201通信。
总线201可以是外设部件互连标准(peripheral component interconnect,PCI)总线或扩展工业标准结构(extended industry standard architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器202可以为中央处理器(central processing unit,CPU)、图形处理器(graphics processing unit,GPU)、微处理器(micro processor,MP)或者数字信号处理器(digital signal processor,DSP)等处理器中的任意一种或多种。
存储器204可以包括易失性存储器(volatile memory),例如随机存取存储器(random access memory,RAM)。存储器204还可以包括非易失性存储器(non-volatilememory),例如只读存储器(read-only memory,ROM),快闪存储器,机械硬盘(hard drivedrive,HDD)或固态硬盘(solid state drive,SSD)。
其中,存储器204可以用于存储数据处理方法相关的软件代码,处理器202可以执行芯片的数据处理方法的步骤,也可以调度其他单元以实现相应的功能。
应理解,上述终端100和服务器200可以为集中式或者是分布式的设备,上述终端100和服务器200中的处理器(例如处理器170以及处理器202)可以为硬件电路(如专用集成电路(application specific integrated circuit,ASIC)、现场可编程门阵列(field-programmable gate array,FPGA)、通用处理器、数字信号处理器(digital signalprocessing,DSP)、微处理器或微控制器等等)、或这些硬件电路的组合,例如,处理器可以为具有执行指令功能的硬件系统,如CPU、DSP等,或者为不具有执行指令功能的硬件系统,如ASIC、FPGA等,或者为上述不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合。
应理解,本申请实施例中的数据处理方法涉及AI相关的运算,在执行AI运算时,终端设备和服务器的指令执行架构不仅仅局限在图3以及图4所示的处理器结合存储器的架构。下面结合图5对本申请实施例提供的系统架构进行详细的介绍。
图5为本申请实施例提供的系统架构示意图。如图5所示,系统架构500包括执行设备510、训练设备520、数据库530、客户设备540、数据存储系统550以及数据采集系统560。
执行设备510包括计算模块511、I/O接口512、预处理模块513和预处理模块514。计算模块511中可以包括目标模型/规则501,预处理模块513和预处理模块514是可选的。
其中,执行设备510可以为上述运行实现生成流网络相关的任务的应用程序的终端设备或者服务器。
数据采集设备560用于采集训练样本。训练样本可以为I/O单元的信息、bump的信息以及总连接数量等。在采集到训练样本之后,数据采集设备560将这些训练样本存入数据库530。
训练设备520可以基于数据库530或者来自客户设备540的训练样本(例如本申请实施例中的多个数据),对待训练的神经网络(例如本申请实施例中的生成流模型等),以得到目标模型/规则501以及多个数据中的优质数据。
需要说明的是,在实际应用中,数据库530中维护的训练样本不一定都来自于数据采集设备560的采集,也有可能是从其他设备(例如来自客户设备540)接收得到的。另外需要说明的是,训练设备520也不一定完全基于数据库530维护的训练样本进行目标模型/规则501的训练,也有可能从云端或其他地方获取训练样本进行模型训练,上述描述不应该作为对本申请实施例的限定。
可选的,根据训练设备520训练得到的目标模型/规则501可以应用于不同的系统或设备中,如应用于图5所示的执行设备510,该执行设备510可以是终端,如手机终端,平板电脑,笔记本电脑,增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备,车载终端等,还可以是服务器等。
具体的,训练设备520可以将训练后的模型或者因果识别结果传递至执行设备510。
在图5中,执行设备510配置输入/输出(input/output,I/O)接口512,用于与外部设备进行数据交互,用户可以通过客户设备540向I/O接口512输入数据(例如本申请实施例中的多个数据或者多个变量等)。
预处理模块513和预处理模块514用于根据I/O接口512接收到的输入数据进行预处理。应理解,可以没有预处理模块513和预处理模块514或者只有的一个预处理模块。当不存在预处理模块513和预处理模块514时,可以直接采用计算模块511对输入数据进行处理。
在执行设备510对输入数据进行预处理,或者在执行设备510的计算模块511执行计算等相关的处理过程中,执行设备510可以调用数据存储系统550中的数据、代码等以用于相应的处理,也可以将相应处理得到的数据、指令等存入数据存储系统550中。
最后,I/O接口512将处理结果(例如多个数据中的优质数据)提供给客户设备540,从而提供给用户。
在图5所示情况下,用户可以手动给定输入数据,该“手动给定输入数据”可以通过I/O接口512提供的界面进行操作。另一种情况下,客户设备540可以自动地向I/O接口512发送输入数据,如果要求客户设备540自动发送输入数据需要获得用户的授权,则用户可以在客户设备540中设置相应权限。用户可以在客户设备540查看执行设备510输出的结果,具体的呈现形式可以是显示、声音、动作等具体方式。客户设备540也可以作为数据采集端,采集如图所示输入I/O接口512的输入数据及输出I/O接口512的输出结果作为新的样本数据,并存入数据库530。当然,也可以不经过客户设备540进行采集,而是由I/O接口512直接将如图所示输入I/O接口512的输入数据及输出I/O接口512的输出结果,作为新的样本数据存入数据库530。
值得注意的是,图5仅是本申请实施例提供的一种系统架构的示意图,图中所示设备、器件、模块等之间的位置关系不构成任何限制,例如,在图5中,数据存储系统550相对执行设备510是外部存储器,在其它情况下,也可以将数据存储系统550置于执行设备510中。应理解,上述执行设备510可以部署于客户设备540中。
从模型的训练侧来说:
本申请实施例中,上述训练设备520可以获取到存储器(图5中未示出,可以集成于训练设备520或者与训练设备520分离部署)中存储的代码来实现本申请实施例中和模型训练相关的步骤。
本申请实施例中,训练设备520可以包括硬件电路(如专用集成电路(applicationspecific integrated circuit,ASIC)、现场可编程门阵列(field-programmable gatearray,FPGA)、通用处理器、数字信号处理器(digital signal processing,DSP)、微处理器或微控制器等等)、或这些硬件电路的组合,例如,训练设备520可以为具有执行指令功能的硬件系统,如CPU、DSP等,或者为不具有执行指令功能的硬件系统,如ASIC、FPGA等,或者为上述不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合。
应理解,训练设备520可以为不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合,本申请实施例提供的中和模型训练相关的部分步骤还可以通过训练设备520中不具有执行指令功能的硬件系统来实现,这里并不限定。
二、服务器提供的与生成流模型实现的相关功能的云服务:
在一种可能的实现中,服务器可以通过应用程序编程接口(applicationprogramming interface,API)为端侧提供与生成流模型实现的相关功能的服务。
其中,终端设备可以通过云端提供的API,将相关参数(例如多个数据)发送至服务器,服务器可以基于接收到的参数,得到处理结果(例如多个数据中的优质数据)等),并将处理结果返回至至终端。
关于终端以及服务器的描述可以上述实施例的描述,这里不再赘述。
如图6示出了使用一项云平台提供的与生成流模型实现的相关功能的云服务的流程。
1.开通并购买内容审核服务。
2.用户可以下载内容审核服务对应的软件开发工具包(software developmentkit,SDK),通常云平台提供多个开发版本的SDK,供用户根据开发环境的需求选择,例如JAVA版本的SDK、python版本的SDK、PHP版本的SDK、Android版本的SDK等。
3.用户根据需求下载对应版本的SDK到本地后,将SDK工程导入至本地开发环境,在本地开发环境中进行配置和调试,本地开发环境还可以进行其他功能的开发,使得形成一个集合了与生成流模型实现的相关功能的能力的应用。
4.与生成流模型实现的相关功能的应用在被使用的过程中,当需要进行与生成流模型实现的相关功能时,可以触发与生成流模型实现的相关功能的API调用。当应用触发与生成流模型实现的相关功能时,发起API请求至云环境中的与生成流模型实现的相关功能服务的运行实例,其中,API请求中携带多个数据,由云环境中的运行实例对多个数据进行处理,获得处理结果。
5.云环境将处理结果返回至应用,由此完成一次服务调用。
由于本申请实施例涉及大量神经网络的应用,为了便于理解,下面先对本申请实施例涉及的相关术语及神经网络等相关概念进行介绍。
(1)神经网络
神经网络可以是由神经单元组成的,神经单元可以是指以xs(即输入数据)和截距1为输入的运算单元,该运算单元的输出可以为:
其中,s=1、2、……n,n为大于1的自然数,Ws为xs的权重,b为神经单元的偏置。f为神经单元的激活函数(activation functions),用于将非线性特性引入神经网络中,来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入,激活函数可以是sigmoid函数。神经网络是将多个上述单一的神经单元联结在一起形成的网络,即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连,来提取局部接受域的特征,局部接受域可以是由若干个神经单元组成的区域。
(2)深度神经网络
深度神经网络(Deep Neural Network,DNN),也称多层神经网络,可以理解为具有很多层隐含层的神经网络,这里的“很多”并没有特别的度量标准。从DNN按不同层的位置划分,DNN内部的神经网络可以分为三类:输入层,隐含层,输出层。一般来说第一层是输入层,最后一层是输出层,中间的层数都是隐含层。层与层之间是全连接的,也就是说,第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。虽然DNN看起来很复杂,但是就每一层的工作来说,其实并不复杂,简单来说就是如下线性关系表达式:其中,是输入向量,是输出向量,是偏移向量,W是权重矩阵(也称系数),α()是激活函数。每一层仅仅是对输入向量经过如此简单的操作得到输出向量由于DNN层数多,则系数W和偏移向量的数量也就很多了。这些参数在DNN中的定义如下所述:以系数W为例:假设在一个三层的DNN中,第二层的第4个神经元到第三层的第2个神经元的线性系数定义为上标3代表系数W所在的层数,而下标对应的是输出的第三层索引2和输入的第二层索引4。总结就是:第L-1层的第k个神经元到第L层的第j个神经元的系数定义为需要注意的是,输入层是没有W参数的。在深度神经网络中,更多的隐含层让网络更能够刻画现实世界中的复杂情形。理论上而言,参数越多的模型复杂度越高,“容量”也就越大,也就意味着它能完成更复杂的学习任务。训练深度神经网络的也就是学习权重矩阵的过程,其最终目的是得到训练好的深度神经网络的所有层的权重矩阵(由很多层的向量W形成的权重矩阵)。
(3)图(Graph):
图为包括至少一个顶点以及至少一条边的数据结构。在一些场景中,图中的顶点可以映射为实体,图中的边可以映射为实体与实体之间的关系。图可以是有向图或无向图。当然,图还可以包括顶点以及边以外的其他数据,例如顶点的标签以及边的标签等。
(4)损失函数
在训练深度神经网络的过程中,因为希望深度神经网络的输出尽可能的接近真正想要预测的值,所以可以通过比较当前网络的预测值和真正想要的目标值,再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然,在第一次更新之前通常会有初始化的过程,即为深度神经网络中的各层预先配置参数),比如,如果网络的预测值高了,就调整权重向量让它预测低一些,不断的调整,直到深度神经网络能够预测出真正想要的目标值或与真正想要的目标值非常接近的值。因此,就需要预先定义“如何比较预测值和目标值之间的差异”,这便是损失函数(loss function)或目标函数(objective function),它们是用于衡量预测值和目标值的差异的重要方程。其中,以损失函数举例,损失函数的输出值(loss)越高表示差异越大,那么深度神经网络的训练就变成了尽可能缩小这个loss的过程。
(5)反向传播算法
卷积神经网络可以采用误差反向传播(back propagation,BP)算法在训练过程中修正初始的超分辨率模型中参数的大小,使得超分辨率模型的重建误差损失越来越小。具体地,前向传递输入信号直至输出会产生误差损失,通过反向传播误差损失信息来更新初始的超分辨率模型中参数,从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动,旨在得到最优的超分辨率模型的参数,例如权重矩阵。
(6)因果关系
变量对(示例性的,变量A和变量B)存在因果关系可以理解为变量A导致变量B,也就是变量A作为变量B的因变量,变量B作为变量A的果变量。具体的,在其他条件均不变的情况下,变量A的改变会导致变量B的改变。
(7)变量
变量可以为数据的一个特征。例如,变量可以为图像数据的一个特征维度,例如可以为图像中的某一个语义,例如包括人像的图像中的耳朵区域、眼镜区域等,还可以为图像中的一个像素通道,例如R通道、G通道、B通道等。又例如,变量可以为芯片的某一类局部片段,变量的数据可以为芯片的某一类局部片段的图像。又例如,变量可以为文本数据的一个特征维度,例如可以为故障的一个根因。变量还可以为音频数据的一个特征维度、视频数据的一个特征维度等等。
(8)强化学习
强化学习是机器学习的范式和方法论之一,用于描述和解决智能体(agent)在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。
(9)生成流模型
生成流模型(或者称之为基于流的生成流模型或者生成流模型)是一种以序列决策的方式采样,并构建复合结构的流模型,使得生成结构的概率与该结构奖励回报值成正比。生成流模型以序列决策的方式构建复合结构,它以有向无环图构建流模型,即每一个状态节点有多个父节点,这与树结构中每个状态节点仅有唯一父节点不同。模型有唯一初始节点,多个终止节点。模型从初始节点开始采样生成动作序列,完成状态之间的转移,直至到达终止节点,结束采样。终止节点对应生成的复合结构。
初始节点可以包括输出流量,中间节点可以包括输入流量以及输出流量(或者奖励值),终止节点可以包括输入流量以及奖励值,将该流模型想象成水管,初始节点的水流量为模型的总流入,所有终止节点(如的水流量之和为模型的总流出)。对于每一个中间节点,流入等于流出。节点的流入值和流出值用神经网络来预测,通过将流匹配约束作为目标函数进行优化,模型可以学习一个策略(即优化该神经网络),使得采样生成复合结构的概率与它的奖励值成正比,奖励值越高的结构更容易被采样到。通过这样的方式,生成流模型可以采样到一系列高奖励值的结构。
生成流模型的一个示例性的图示可以参照图7,如图7所示,其中si代表状态,xj代表复合结构。s0为初始节点,s5,s8,s11,s13,s16为终止节点,因为它们对应了复合结构x5,x8,x11,x13,x16。
(10)贝叶斯网络结构学习
贝叶斯网络结构学习就是在给定一个数据样本集合的前提下,寻找一个与训练样本集匹配最好的因果关系网络结构。
(11)有向无环图
在图论中,如果一个有向图从任意顶点出发无法经过若干条边回到该点,则这个图是一个有向无环图。
(12)传递闭包
在图论中,传递闭包C能够描述一个节点是否能够通过有向箭头到达另一个节点。如果一个节点A到另一个节点B存在一条有效的有向途径,则在邻接矩阵中该(B,A)位置标为1。
(13)邻接矩阵
邻接矩阵(adjacency matrix)是表示顶点之间相邻关系的方阵,值为0或1,0表示无直接关系,1表示有关系;有向无环图的邻接矩阵不能出现对称和对角线位置有1的情况。
主动学习是一种通过主动选择最有价值的样本进行标注的机器学习或人工智能方法。其目的是使用尽可能少的、高质量的样本标注来训练使模型达到尽可能好的性能。也就是说,主动学习方法能够提高样本及标注的增益,在有限标注预算的前提下,最大化模型的性能,是一种从样本的角度,提高数据效率的方案,因而被应用在标注成本高、标注难度大等任务中。
现有技术中,主动学习问题等价于选择添加一组标注样本,使得其他样本对标注样本集的最大距离最小,也就是k-center集覆盖问题。然而,每一次迭代都需要对模型在新的有标签数据集上训练到收敛,以准备进行下一轮查询,时间和算力开销过大。
因此,亟需一种在能够保证精度的前提下能够快速进行主动学习的方法。
为了解决上述问题,参照图8,图8为本申请实施例提供的一种数据处理方法的流程示意,如图8所示,本申请实施例提供的一种数据处理方法,包括:
801、根据多个节点的数据,通过生成流模型,从所述多个节点中选择部分节点。
802、根据所述部分节点的数据,得到损失,所述损失用于更新所述生成流模型;其中,所述损失与如下的一种有关:
根据所述部分节点的数据进行任务网络的训练时对所述任务网络更新的正向贡献、所述部分节点的数据和所述多个节点的数据之间联合分布的相似度、以及所述部分节点的数据对于目标节点或者目标子网的关联程度,所述目标节点为所述多个节点中的一个,所述目标子网为所述多个节点中的部分节点构成的。
在一种可能的实现中,多个节点可以为图数据中的节点,进而,多个节点的数据可以包括节点的信息以及节点和其他节点之间的连接关系信息。
在一种可能的实现中,所述节点为芯片,节点的数据为芯片的局部片段或者故障信息;或者,
所述节点为通信网络的节点,节点的数据为网元的关键表现指标KPI、运行数据或者告警信息;
其中,关联程度可以为因果关系;
其中,芯片的局部片段可以为芯片表面的局部区域,多个局部片段可以为芯片表面的多个局部区域,且多个局部片段中的任意两个局部片段之间的面积大小和外部轮廓形状相同,其中,局部片段之间的面积大小相同可以理解为局部片段所在的区域的面积相同,局部片段之间的外部轮廓形状相同可以理解为局部片段所在的区域的外部轮廓形状相同,例如都为正方形,或者长宽比一致的矩形等等;其中,在一种可能的实现中,多个局部片段中的每个局部片段的面积在预设范围内,每个局部片段的面积不能过大也不能过小,局部片段的面积大小可以与芯片的大小有关,芯片的大小越大,则局部片段的面积越大,例如局部片段的面积和芯片的面积可以保持一定比例,局部片段的面积大小还可以与芯片上的基础单元之间的间隔长度有关,例如可以将局部片段的边长设置为基础单元(例如芯片上的铺铜polygon区域)之间的间隔长度的预设倍数,例如3倍、4倍、5倍等等。其中,每个局部片段可以包括排布的器件和/或器件之间的连接线,本申请实施例中,局部片段,具体可以是获取到每个局部片段的图像信息或者是其他能够表达局部片段上器件排布或者连接线结构的信息,基于该信息可以唯一确定局部片段的结构特征;
其中,芯片的的故障信息可以包括每个局部片段在诊断报告中的出现次数;或,每个局部片段导致故障芯片出现芯片故障的概率等;
其中,KPI可以用来衡量通信网络中网元的运行状态。通常情况下,异常检测设备会采集每个KPI在不同时刻的观测数据。
在一种可能的实现中,节点可以为用户,节点的数据可以为物品的属性信息以及用户的属性信息;
其中,关联程度可以为因果关系;
在一种可能的实现中,用户的属性信息包括如下的至少一种:性别,年龄,职业,收入,爱好,教育程度。
在一种可能的实现中,物品的属性信息包括如下的至少一种:物品名称,开发者,安装包大小,品类,好评度。
其中,用户的属性信息可以为与用户喜好特征相关的属性,性别、年龄、职业、收入、爱好以及受教育程度中的至少一种,其中,性别可以为男或者女,年龄可以为0-100之间的数字,职业可以为教师、程序员、厨师等等,爱好可以为篮球、网球、跑步等等,受教育程度可以为小学、初中、高中、大学等等;本申请并不限定用户的属性信息的具体类型;
其中,物品可以为实体物品,或者是虚拟物品,例如可以为APP、音视频、网页以及新闻资讯等物品,物品的属性信息可以为物品名称、开发者、安装包大小、品类以及好评度中的至少一种,其中,以物品为应用程序为例,物品的品类可以为聊天类、跑酷类游戏、办公类等等,好评度可以为针对于物品的打分、评论等;本申请并不限定物品的属性信息的具体类型;
其中,操作类型可以为用户针对于物品的行为操作类型,在网络平台和应用上,用户往往和物品有多种多样的交互形式(也就是有多种操作类型),比如用户在电商平台行为中的浏览、点击、加入购物车、购买等操作类型。
应理解,通过生成流模型最终得到的多个变量之间的因果关系可以包括至少一个节点与用户的操作类型之间因果关系。
以节点为图数据中的节点为例,节点的数据可以包括多个维度的特征,例如可以包括如下维度的至少一个:
特征一:N(v)表示为节点v所有相邻节点的集合,超参数α是用来缩放;
特征二:它是n个节点的不确定性,是通过GNN的预测标签来计算熵;
特征三和四:根据当前节点预测标签的概率和相邻节点的预测标签概率,计算前向KL散度和反向KL散度;
特征五:用来表示节点是否已经被打上标签。
在一种可能的实现中,可以通过生成流模型,处理多个节点的数据,从所述多个节点中选择部分节点。例如,可以通过生成流模型,处理多个节点的数据,依次从所述多个节点中选择节点,直到选择出的节点数量达到预设值,得到所述部分节点。
针对于基于生成流模型的图神经网络主动学习来说,可以根据所述部分节点的数据,得到损失,所述损失用于更新所述生成流模型;其中,所述损失与根据所述部分节点的数据进行任务网络的训练时对所述任务网络更新的正向贡献有关。
也就是说,可以根据由生成流模型选出部分节点,并将该部分节点的数据作为任务网络(例如图神经网络)的训练样本,通过该部分节点的数据进行任务网络训练时对模型精度的正向影响能力可以作为损失,该损失可以用于更新生成流模型,例如,该正向影响能力可以作为生成流模型选出的节点中终止节点的奖励值。
在一种可能的实现中,所述任务网络用于根据所述部分节点的数据,进行所述部分节点的标签预测。对模型精度的正向影响能力可以为模型对于标签预测的准确度(或者可以称之为分类的准确度)来表示。
例如,给定一个节点标签的序列,长度为b,计算reward;reward是通过计算GNN的分类的准确度来估量。其中Reward定义为一个长度为b的节点标签的轨迹,作为验证集,计
算GNN模型输出结果后,再计算模型输出的准确率,这个准确率作为reward。
计算所有父节点和所有子节点流量,流入等于流出,使用轨迹平衡损失函数,然后更新策略网络;直至epoch结束。
在一种可能的实现中,所述部分节点包括中间节点和终止节点;所述损失具体包括所述中间节点对应的第一损失和终止节点对应的第二损失;所述第一损失为所述中间节点的第一输入流量和输出流量之间的差异;所述第二损失为所述终止节点的第二输入流量和奖励值之间的差异;所述奖励值与如下的一种有关:根据所述部分节点的数据进行任务网络的训练时对所述任务网络更新的正向贡献、或者所述部分节点的数据和所述多个节点的数据之间联合分布的相似度。
接下来以任务网络为GNN为例,给出一个针对于基于生成流模型的图神经网络主动学习的具体示意:
所有的父节点并计算其状态矩阵。直到所有的b个节点完成标记,使用所有标记的标签样本训练分类模基于生成流模型的图神经网络主动学习的目的是在训练行动概率遵循真实奖励分配的策略,具体可以建模为图9左侧的有向无环图。圆点对应状态,两个圆点之间的边对应状态转换。初始状态是白色的圆点,中间状态是浅灰色的圆点,最终状态是深灰色的圆点。给定一个状态,策略网络计算每层中的未归一化动作概率,对应灰色边缘上的灰点,我们可以将其视为水管。灰点的数量代表水流,相当于动作的概率。在图层预算之后,每个标签集都会根据奖励函数进行评估。策略网络的训练流程如图9右半部分所示。
示例性的,在算法执行时,可以循环多次步长epoch,在循环budget(b)次时,可以选取b个节点为其打上标签(ground truth);给定一个batch的图数据,将它的状态通过策略网络(例如图卷积网络GCN),输出所有图节点的动作选择概率。选择动作概率最大的动作,选择节点vi把其特征五标记为1,并且转换到下一步的状态。根据节点新标记的标签去更新一步GNN的分类模型。根据当前节点找到型GNN,直到其收敛。
接下来给出一个生成流模型从多个节点中依次选择节点的过程:
在一种可能的实现中,生成流模型可以包括第一神经网络、第二神经网络、第三神经网络等。
在一种可能的实现中,第一神经网络、第二神经网络、第三神经网络可以为多层感知机(multi-layer perceptron,MLP)或者是卷积模型。MLP是一种前馈人工神经网络模型,其将输入的多个数据集映射到单一的输出的数据集上。
在一种可能的实现中,生成流模型还可以包括嵌入层,嵌入层可以对多个节点的数据进行嵌入处理,以得到对应的嵌入表示。
其中,第一神经网络根据一次迭代过程中已经选择出的节点的数据,进行下一个节点的选择,例如,上述“已经选择出的节点的数据”可以为第一信息,第一神经网络可以根据第一信息(例如将第一信息(或者第一信息对应的嵌入表示)输入到第一神经网络中),预测第二信息(第二信息相比第一信息多个一个或多个选择出的节点)。
可见,本申请实施例中的生成流模型不是直接从多个节点中采样得到多个节点中的部分节点,而是通过序列生成的方式,在每一次迭代的过程中,依次选择多个节点,每一次生成都是基于上次一的生成结果,且随着节点选择过程的进行,选择出的节点数量是不断增大的。
针对于生成流网络的主动域自适应来说,节点的数据可以参照上述主动学习中节点的数据的介绍,这里不再赘述。
和主动学习类似的是,生成流模型可以从多个节点中选择部分节点,然而该部分节点的数据可以不用来进行任务网络的训练,而是直接基于选出的部分节点的数据和多个数据之间的关系来构建损失,上述关系可以与所述部分节点的数据和所述多个节点的数据之间联合分布的相似度有关。
如图10所示,在实现基于生成流网络的主动域自适应时,先选择源域的数据和未标记标签的目标域图数据,输入到GflowNet中,通过生成流的策略网络(MLP)选择一个动作,即选择一个未标记的标签的目标域数据,选择后获取样本标签,然后继续更新下一步的状态节点,匹配输入流等于输出流,循环直到标记的样本数量满足budget个数后,即表示生成流的结束,这个时候去计算流的reward,通过源域的图数据和目标域的图数据,来计算两者的相似度作为生成流轨迹reward,再通过轨迹平衡损失去计算loss,更新策略网络;我们可以再通过标记源域目标的图数据,来训练分类的GNN模型,直到其收敛。
示例性的,具体可以包括如下步骤:
步骤1:准备源域和目标域的图数据,使用这些数据提前预训练好图神经网络模型。
步骤1.1:其中数据的状态表示为,源域和目标域的图数据之间的相似关系,以及目标域数据是否被标记,其中Z是目标表示矩阵,μt混合源域矩阵表示如下
步骤2:输入到GFlowNet中,通过策略网络去选择未标记目标域数据,选择这个节点以后,通过GNN的分类网络,去分类样本标签,并为其打上已经被标记的状态改变,并更新其下一步状态。
步骤3:再循环步骤2,继续为其他的未标记数据,打上标签,直到标记样本的数量到达budget数量后,生成一条完整的轨迹。
步骤4:使用已标记的目标域数据和所有的目标域数据之间的条件分布相似性作为GFlowNet的reward:
步骤5:这里使用轨迹平衡损失,单个状态节点来说,使所有的输入流会等于输出流,来计算GFlowNet的loss:
步骤6:通过这个loss来更新GFlowNet的策略网络。
步骤7:外层再通过已经标记的目标域数据,来训练图神经网络(GNN),训练到使其收敛为止,循环以上步骤直到训练结束。
针对于节点之间的关联度识别来说,节点的数据可以为对节点的原始信息(例如上述介绍的节点的属性信息,也就是没有通过特征提取网络处理过的数据)通过特征提取网络进行特征提取得到的,可选的,特征提取网络可以为GNN。
示例性的,可以通过采样一个起始节点,输入策略网络,来选择起始节点的一个相邻节点做为动作的选择。对于图数据来说,其包括多个节点,不同节点之间或者子图(包括多个节点)之间可能存在一定的关联关系,例如存在因果关系。可以基于生成流模型来识别出图数据中哪些节点和指定的节点之间存在较高的关联关系,或者是基于生成流模型来识别出图数据中哪些节点和指定的子图之间存在较高的关联关系。上述起始节点可以为上述指定的节点或者是指定的子图中的一个节点。
在一种可能的实现中,可以将两个值与其原始特征向量xi连接,并将增强节点特征连接,以获得初始特征表示xt:
考虑到图结构化数据中节点之间的关联,对于每个节点,组合来自其邻居的信息是至关重要的,这里将非线性变换和信息传播分开,公式如下:
通过MLP输出:
最后通过softmax函数来计算动作的选择:
在构建损失时,所述关联程度可以与根据所述部分节点的数据,通过任务网络对所述目标节点或者所述目标子网中节点的标签的预测准确度有关;或者,所述关联程度可以与所述部分节点和对应的真值之间的相似度有关,所述真值为多个节点。
示例性的,可以包括如下步骤:
使用GNN模型,对状态转化以后的数据进行预测标签。
根据预测标签和真实标签,使用交叉熵函数代替条件熵函数,并定义奖励函数如下:
循环采样节点,直到触发停止条件;条件一为选取budget个数的节点就停止循环,条件二为使用自我注意机制,公式如下:
最后使用类似时间差分的方法去优化目标流匹配函数。
具体的一个流程可以如图11所示。
接下来介绍本申请实施例中的一个软件架构示意,如图12所示,提出一个利用生成流模型中再使用图神经网络(GNN)去为每个状态节点预测标签的架构,对于一组输入的数据集,其中先预设b个状态节点,生成流模型网络将会以该数据集生成一系列有b个状态节点的有向无环图,由GFlowNets中的神经网络和提前设定的奖励函数共同计算Flowmatching损失来优化网络,从而学习一个策略,使得高奖励值的有向无环图有更大的可能性被采样生成,奖励值最大的有向无环图是最拟合数据集的需要的生成流关系。
本申请实施例中,有一个有向无环图约束:生成流模型本身是一个有向无环图结构,即状态节点有多个父节点,如图7中s3有两个父节点,分别是s1和s2。然而生成流模型的状态节点si本身可以代表图数据结构的有环图也可以是无环图。
本申请实施例还提供了一种数据处理方法,该方法可以为基于上述图8对应的实施例得到的生成流模型进行的模型推理过程,所述方法包括:
根据多个节点的数据,通过生成流模型,从所述多个节点中选择部分节点;
所述选择部分节点的数据用于作为任务网络的训练样本;或者,
所述部分节点为所述多个节点中最能表征所述多个节点的特征的节点;或者,
所述部分节点为所述多个节点中对目标节点或者目标子网的关联程度最高的节点;所述目标节点为所述多个节点中的一个,所述目标子网为所述多个节点中的部分节点构成的;所述目标节点为所述生成流模型选择所述部分节点时的起始节点,所述目标子网中的一个节点为所述生成流模型选择所述部分节点时的起始节点。
在一种可能的实现中,所述任务网络为图神经网络,所述多个节点为图信息中的节点。
在一种可能的实现中,所述节点的数据包括节点的信息以及节点和其他节点之间的连接关系信息。
在一种可能的实现中,所述任务网络用于根据所述部分节点的数据,进行所述部分节点的标签预测。
在一种可能的实现中,所述根据多个节点的数据,通过生成流模型,从所述多个节点中选择部分节点,包括:
通过生成流模型,处理多个节点的数据,依次从所述多个节点中选择节点,直到选择出的节点数量达到预设值,得到所述部分节点。
参照图13,图13为本申请实施例提供的一种数据处理装置的结构示意,其中,所述装置1300,包括:
处理模块1301,用于根据多个节点的数据,通过生成流模型,从所述多个节点中选择部分节点;
其中,关于处理模块1301的具体描述可以参照上述实施例中步骤801的描述,这里不再赘述。
更新模块1302,用于根据所述部分节点的数据,得到损失,所述损失用于更新所述生成流模型;其中,所述损失与如下的一种有关:
根据所述部分节点的数据进行任务网络的训练时对所述任务网络更新的正向贡献、所述部分节点的数据和所述多个节点的数据之间联合分布的相似度以及所述部分节点的数据对于目标节点或者目标子网的关联程度,所述目标节点为所述多个节点中的一个,所述目标子网为所述多个节点中的部分节点构成的。
其中,关于更新模块1302的具体描述可以参照上述实施例中步骤802的描述,这里不再赘述。
在一种可能的实现中,所述任务网络为图神经网络,所述多个节点为图信息中的节点。
在一种可能的实现中,所述节点的数据包括节点的信息以及节点和其他节点之间的连接关系信息。
在一种可能的实现中,所述正向贡献与通过所述部分节点的数据训练所述任务网络后得到的更新后的任务网络的处理精度正相关。
在一种可能的实现中,所述关联程度与根据所述部分节点的数据,通过任务网络对所述目标节点或者所述目标子网中节点的标签的预测准确度有关;或者,
所述关联程度与所述部分节点和对应的真值之间的相似度有关,所述真值为多个节点。
在一种可能的实现中,所述部分节点包括中间节点和终止节点;所述损失具体包括所述中间节点对应的第一损失和终止节点对应的第二损失;
所述第一损失为所述中间节点的第一输入流量和输出流量之间的差异;
所述第二损失为所述终止节点的第二输入流量和奖励值之间的差异;所述奖励值与如下的一种有关:
根据所述部分节点的数据进行任务网络的训练时对所述任务网络更新的正向贡献、或者所述部分节点的数据和所述多个节点的数据之间联合分布的相似度。
在一种可能的实现中,所述任务网络用于根据所述部分节点的数据,进行所述部分节点的标签预测。
在一种可能的实现中,所述处理模块,具体用于:
通过生成流模型,处理多个节点的数据,依次从所述多个节点中选择节点,直到选择出的节点数量达到预设值,得到所述部分节点。
本申请实施例还提供了一种数据处理装置,所述装置包括:
处理模块,用于根据多个节点的数据,通过生成流模型,从所述多个节点中选择部分节点;
所述选择部分节点的数据用于作为任务网络的训练样本;或者,
所述部分节点为所述多个节点中最能表征所述多个节点的特征的节点;或者,
所述部分节点为所述多个节点中对目标节点或者目标子网的关联程度最高的节点;所述目标节点为所述多个节点中的一个,所述目标子网为所述多个节点中的部分节点构成的;所述目标节点为所述生成流模型选择所述部分节点时的起始节点,所述目标子网中的一个节点为所述生成流模型选择所述部分节点时的起始节点。
在一种可能的实现中,所述任务网络为图神经网络,所述多个节点为图信息中的节点。
在一种可能的实现中,所述节点的数据包括节点的信息以及节点和其他节点之间的连接关系信息。
在一种可能的实现中,所述任务网络用于根据所述部分节点的数据,进行所述部分节点的标签预测。
在一种可能的实现中,所述处理模块,具体用于:
通过生成流模型,处理多个节点的数据,依次从所述多个节点中选择节点,直到选择出的节点数量达到预设值,得到所述部分节点。
接下来介绍本申请实施例提供的一种执行设备,请参阅图14,图14为本申请实施例提供的执行设备的一种结构示意图,执行设备1400具体可以表现为手机、平板、笔记本电脑、智能穿戴设备等,此处不做限定。具体的,执行设备1400包括:接收器1401、发射器1402、处理器1403和存储器1404(其中执行设备1400中的处理器1403的数量可以一个或多个,图14中以一个处理器为例),其中,处理器1403可以包括应用处理器14031和通信处理器14032。在本申请的一些实施例中,接收器1401、发射器1402、处理器1403和存储器1404可通过总线或其它方式连接。
存储器1404可以包括只读存储器和随机存取存储器,并向处理器1403提供指令和数据。存储器1404的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory,NVRAM)。存储器1404存储有处理器和操作指令、可执行模块或者数据结构,或者它们的子集,或者它们的扩展集,其中,操作指令可包括各种操作指令,用于实现各种操作。
处理器1403控制执行设备的操作。具体的应用中,执行设备的各个组件通过总线系统耦合在一起,其中总线系统除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图中将各种总线都称为总线系统。
上述本申请实施例揭示的方法可以应用于处理器1403中,或者由处理器1403实现。处理器1403可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器1403中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1403可以是通用处理器、数字信号处理器(digital signal processing,DSP)、微处理器或微控制器,还可进一步包括专用集成电路(application specific integratedcircuit,ASIC)、现场可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器1403可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1404,处理器1403读取存储器1404中的信息,结合其硬件完成上述方法的步骤。
接收器1401可用于接收输入的数字或字符信息,以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1402可用于输出数字或字符信息;发射器1402还可用于向磁盘组发送指令,以修改磁盘组中的数据。
本申请实施例中,在一种情况下,处理器1403,用于执行根据图8对应实施例中的数据处理方法得到的生成流模型的模型推理步骤。
本申请实施例还提供了一种服务器,请参阅图15,图15是本申请实施例提供的服务器一种结构示意图,具体的,服务器1500由一个或多个服务器实现,服务器1500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(centralprocessing units,CPU)1515(例如,一个或一个以上处理器)和存储器1532,一个或一个以上存储应用程序1542或数据1544的存储介质1530(例如一个或一个以上海量存储设备)。其中,存储器1532和存储介质1530可以是短暂存储或持久存储。存储在存储介质1530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器1515可以设置为与存储介质1530通信,在服务器1500上执行存储介质1530中的一系列指令操作。
服务器1500还可以包括一个或一个以上电源1510,一个或一个以上有线或无线网络接口1550,一个或一个以上输入输出接口1558;或,一个或一个以上操作系统1541,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
本申请实施例中,中央处理器1515,用于执行图8对应实施例中的数据处理方法的步骤。
本申请实施例中还提供一种包括计算机可读指令的计算机程序产品,当其在计算机上运行时,使得计算机执行如前述执行设备所执行的步骤,或者,使得计算机执行如前述训练设备所执行的步骤。
本申请实施例中还提供一种计算机可读存储介质,该计算机可读存储介质中存储有用于进行信号处理的程序,当其在计算机上运行时,使得计算机执行如前述执行设备所执行的步骤,或者,使得计算机执行如前述训练设备所执行的步骤。
本申请实施例提供的执行设备、训练设备或终端设备具体可以为芯片,芯片包括:处理单元和通信单元,所述处理单元例如可以是处理器,所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令,以使执行设备内的芯片执行上述实施例描述的数据处理方法,或者,以使训练设备内的芯片执行上述实施例中与模型训练相关的步骤。可选地,所述存储单元为所述芯片内的存储单元,如寄存器、缓存等,所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元,如只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)等。
具体的,请参阅图16,图16为本申请实施例提供的芯片的一种结构示意图,所述芯片可以表现为神经网络处理器NPU 1600,NPU 1600作为协处理器挂载到主CPU(Host CPU)上,由Host CPU分配任务。NPU的核心部分为运算电路1603,通过控制器1604控制运算电路1603提取存储器中的矩阵数据并进行乘法运算。
在一些实现中,运算电路1603内部包括多个处理单元(Process Engine,PE)。在一些实现中,运算电路1603是二维脉动阵列。运算电路1603还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中,运算电路1603是通用的矩阵处理器。
举例来说,假设有输入矩阵A,权重矩阵B,输出矩阵C。运算电路从权重存储器1602中取矩阵B相应的数据,并缓存在运算电路中每一个PE上。运算电路从输入存储器1601中取矩阵A数据与矩阵B进行矩阵运算,得到的矩阵的部分结果或最终结果,保存在累加器(accumulator)1608中。
统一存储器1606用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct Memory Access Controller,DMAC)1605,DMAC被搬运到权重存储器1602中。输入数据也通过DMAC被搬运到统一存储器1606中。
BIU为Bus Interface Unit即,总线接口单元1610,用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer,IFB)1609的交互。
总线接口单元1610(Bus Interface Unit,简称BIU),用于取指存储器1609从外部存储器获取指令,还用于存储单元访问控制器1605从外部存储器获取输入矩阵A或者权重矩阵B的原数据。
DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器1606或将权重数据搬运到权重存储器1602中或将输入数据数据搬运到输入存储器1601中。
向量计算单元1607包括多个运算处理单元,在需要的情况下,对运算电路的输出做进一步处理,如向量乘,向量加,指数运算,对数运算,大小比较等等。主要用于神经网络中非卷积/全连接层网络计算,如Batch Normalization(批归一化),像素级求和,对特征平面进行上采样等。
在一些实现中,向量计算单元1607能将经处理的输出的向量存储到统一存储器1606。例如,向量计算单元1607可以将线性函数;或,非线性函数应用到运算电路1603的输出,例如对卷积层提取的特征平面进行线性插值,再例如累加值的向量,用以生成激活值。在一些实现中,向量计算单元1607生成归一化的值、像素级求和的值,或二者均有。在一些实现中,处理过的输出的向量能够用作到运算电路1603的激活输入,例如用于在神经网络中的后续层中的使用。
控制器1604连接的取指存储器(instruction fetch buffer)1609,用于存储控制器1604使用的指令;
统一存储器1606,输入存储器1601,权重存储器1602以及取指存储器1609均为On-Chip存储器。外部存储器私有于该NPU硬件架构。
其中,上述任一处提到的处理器,可以是一个通用中央处理器,微处理器,ASIC,或一个或多个用于控制上述程序执行的集成电路。
另外需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本申请提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本申请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可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,训练设备,或者网络设备等)执行本申请各个实施例所述的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
Claims (23)
1.一种数据处理方法,其特征在于,所述方法包括:
根据多个节点的数据,通过生成流模型,从所述多个节点中选择部分节点;
根据所述部分节点的数据,得到损失,所述损失用于更新所述生成流模型;其中,所述损失与如下的一种有关:
根据所述部分节点的数据进行任务网络的训练时对所述任务网络更新的正向贡献、所述部分节点的数据和所述多个节点的数据之间联合分布的相似度、以及所述部分节点的数据对于目标节点或者目标子网的关联程度,所述目标节点为所述多个节点中的一个,所述目标子网为所述多个节点中的部分节点构成的。
2.根据权利要求1所述的方法,其特征在于,所述任务网络为图神经网络,所述多个节点为图信息中的节点。
3.根据权利要求1或2所述的方法,其特征在于,所述节点的数据包括节点的信息以及节点和其他节点之间的连接关系信息。
4.根据权利要求1至3任一所述的方法,其特征在于,所述正向贡献与通过所述部分节点的数据训练所述任务网络后得到的更新后的任务网络的处理精度正相关。
5.根据权利要求1至4任一所述的方法,其特征在于,
所述关联程度与根据所述部分节点的数据,通过任务网络对所述目标节点或者所述目标子网中节点的标签的预测准确度有关;或者,
所述关联程度与所述部分节点和对应的真值之间的相似度有关,所述真值为多个节点。
6.根据权利要求1至5任一所述的方法,其特征在于,所述部分节点包括中间节点和终止节点;所述损失具体包括所述中间节点对应的第一损失和终止节点对应的第二损失;
所述第一损失为所述中间节点的第一输入流量和输出流量之间的差异;
所述第二损失为所述终止节点的第二输入流量和奖励值之间的差异;所述奖励值与如下的一种有关:
根据所述部分节点的数据进行任务网络的训练时对所述任务网络更新的正向贡献、或者所述部分节点的数据和所述多个节点的数据之间联合分布的相似度。
7.根据权利要求1至6任一所述的方法,其特征在于,所述任务网络用于根据所述部分节点的数据,进行所述部分节点的标签预测。
8.根据权利要求1至7任一所述的方法,其特征在于,所述通过生成流模型,处理多个节点的数据,从所述多个节点中选择部分节点,包括:
通过生成流模型,处理多个节点的数据,依次从所述多个节点中选择节点,直到选择出的节点数量达到预设值,得到所述部分节点。
9.一种数据处理方法,其特征在于,所述方法包括:
根据多个节点的数据,通过生成流模型,从所述多个节点中选择部分节点;
所述选择部分节点的数据用于作为任务网络的训练样本;或者,
所述部分节点为所述多个节点中最能表征所述多个节点的特征的节点;或者,
所述部分节点为所述多个节点中对目标节点或者目标子网的关联程度最高的节点;所述目标节点为所述多个节点中的一个,所述目标子网为所述多个节点中的部分节点构成的;所述目标节点为所述生成流模型选择所述部分节点时的起始节点,所述目标子网中的一个节点为所述生成流模型选择所述部分节点时的起始节点。
10.根据权利要求9所述的方法,其特征在于,所述任务网络为图神经网络,所述多个节点为图信息中的节点。
11.一种数据处理装置,其特征在于,所述装置包括:
处理模块,用于根据多个节点的数据,通过生成流模型,从所述多个节点中选择部分节点;
更新模块,用于根据所述部分节点的数据,得到损失,所述损失用于更新所述生成流模型;其中,所述损失与如下的一种有关:
根据所述部分节点的数据进行任务网络的训练时对所述任务网络更新的正向贡献、所述部分节点的数据和所述多个节点的数据之间联合分布的相似度以及所述部分节点的数据对于目标节点或者目标子网的关联程度,所述目标节点为所述多个节点中的一个,所述目标子网为所述多个节点中的部分节点构成的。
12.根据权利要求11所述的装置,其特征在于,所述任务网络为图神经网络,所述多个节点为图信息中的节点。
13.根据权利要求11或12所述的装置,其特征在于,所述节点的数据包括节点的信息以及节点和其他节点之间的连接关系信息。
14.根据权利要求11至13任一所述的装置,其特征在于,所述正向贡献与通过所述部分节点的数据训练所述任务网络后得到的更新后的任务网络的处理精度正相关。
15.根据权利要求11至14任一所述的装置,其特征在于,所述关联程度与根据所述部分节点的数据,通过任务网络对所述目标节点或者所述目标子网中节点的标签的预测准确度有关;或者,
所述关联程度与所述部分节点和对应的真值之间的相似度有关,所述真值为多个节点。
16.根据权利要求11至15任一所述的装置,其特征在于,所述部分节点包括中间节点和终止节点;所述损失具体包括所述中间节点对应的第一损失和终止节点对应的第二损失;
所述第一损失为所述中间节点的第一输入流量和输出流量之间的差异;
所述第二损失为所述终止节点的第二输入流量和奖励值之间的差异;所述奖励值与如下的一种有关:
根据所述部分节点的数据进行任务网络的训练时对所述任务网络更新的正向贡献、或者所述部分节点的数据和所述多个节点的数据之间联合分布的相似度。
17.根据权利要求11至16任一所述的装置,其特征在于,所述任务网络用于根据所述部分节点的数据,进行所述部分节点的标签预测。
18.根据权利要求11至17任一所述的装置,其特征在于,所述处理模块,具体用于:
通过生成流模型,处理多个节点的数据,依次从所述多个节点中选择节点,直到选择出的节点数量达到预设值,得到所述部分节点。
19.一种数据处理装置,其特征在于,所述装置包括:
处理模块,用于根据多个节点的数据,通过生成流模型,从所述多个节点中选择部分节点;
所述选择部分节点的数据用于作为任务网络的训练样本;或者,
所述部分节点为所述多个节点中最能表征所述多个节点的特征的节点;或者,
所述部分节点为所述多个节点中对目标节点或者目标子网的关联程度最高的节点;所述目标节点为所述多个节点中的一个,所述目标子网为所述多个节点中的部分节点构成的;所述目标节点为所述生成流模型选择所述部分节点时的起始节点,所述目标子网中的一个节点为所述生成流模型选择所述部分节点时的起始节点。
20.根据权利要求19所述的装置,其特征在于,所述任务网络为图神经网络,所述多个节点为图信息中的节点。
21.一种数据处理装置,其特征在于,所述装置包括存储器和处理器;所述存储器存储有代码,所述处理器被配置为获取所述代码,并执行如权利要求1至10任一所述的方法。
22.一种计算机可读存储介质,其特征在于,包括计算机可读指令,当所述计算机可读指令在计算机设备上运行时,使得所述计算机设备执行权利要求1至10任一项所述的方法。
23.一种计算机程序产品,其特征在于,包括计算机可读指令,当所述计算机可读指令在计算机设备上运行时,使得所述计算机设备执行如权利要求1至10任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211192347.1A CN115618065A (zh) | 2022-09-28 | 2022-09-28 | 一种数据处理方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211192347.1A CN115618065A (zh) | 2022-09-28 | 2022-09-28 | 一种数据处理方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115618065A true CN115618065A (zh) | 2023-01-17 |
Family
ID=84860854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211192347.1A Pending CN115618065A (zh) | 2022-09-28 | 2022-09-28 | 一种数据处理方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115618065A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493980A (zh) * | 2023-12-29 | 2024-02-02 | 合肥工业大学 | 一种集成特征提取和排序因果发现的轴承故障诊断方法 |
-
2022
- 2022-09-28 CN CN202211192347.1A patent/CN115618065A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493980A (zh) * | 2023-12-29 | 2024-02-02 | 合肥工业大学 | 一种集成特征提取和排序因果发现的轴承故障诊断方法 |
CN117493980B (zh) * | 2023-12-29 | 2024-03-19 | 合肥工业大学 | 一种集成特征提取和排序因果发现的轴承故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022083536A1 (zh) | 一种神经网络构建方法以及装置 | |
WO2023065859A1 (zh) | 物品推荐方法、装置及存储介质 | |
CN114997412A (zh) | 一种推荐方法、训练方法以及装置 | |
WO2023217127A1 (zh) | 一种因果关系确定方法及相关设备 | |
WO2024083121A1 (zh) | 一种数据处理方法及其装置 | |
Chan et al. | Deep neural networks in the cloud: Review, applications, challenges and research directions | |
WO2021012263A1 (en) | Systems and methods for end-to-end deep reinforcement learning based coreference resolution | |
CN115686908A (zh) | 一种数据处理方法及相关设备 | |
WO2024002167A1 (zh) | 一种操作预测方法及相关装置 | |
WO2023185925A1 (zh) | 一种数据处理方法及相关装置 | |
CN114239885A (zh) | 一种运行故障预测方法及装置 | |
CN114417174B (zh) | 内容推荐方法、装置、设备及计算机存储介质 | |
CN116049536A (zh) | 一种推荐方法及相关装置 | |
CN114925651A (zh) | 一种电路走线确定方法及相关设备 | |
CN115879508A (zh) | 一种数据处理方法及相关装置 | |
US20240242127A1 (en) | Recommendation method and related apparatus | |
Mai et al. | Optimization of interval type-2 fuzzy system using the PSO technique for predictive problems | |
CN117217284A (zh) | 一种数据处理方法及其装置 | |
Shadroo et al. | Survey on the application of deep learning in the Internet of Things | |
WO2023050143A1 (zh) | 一种推荐模型训练方法及装置 | |
CN115618065A (zh) | 一种数据处理方法及相关设备 | |
CN117807472A (zh) | 一种数据处理方法及相关装置 | |
CN114900435B (zh) | 一种连接关系预测方法及相关设备 | |
CN116843022A (zh) | 一种数据处理方法及相关装置 | |
CN116204709A (zh) | 一种数据处理方法及相关装置 |
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 |