CN116210010A - 用于评估工程系统的一致性的方法和系统 - Google Patents
用于评估工程系统的一致性的方法和系统 Download PDFInfo
- Publication number
- CN116210010A CN116210010A CN202180065973.1A CN202180065973A CN116210010A CN 116210010 A CN116210010 A CN 116210010A CN 202180065973 A CN202180065973 A CN 202180065973A CN 116210010 A CN116210010 A CN 116210010A
- Authority
- CN
- China
- Prior art keywords
- agent
- path
- knowledge graph
- engineering system
- components
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008569 process Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000000875 corresponding effect Effects 0.000 claims description 7
- 230000002787 reinforcement Effects 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Machine Translation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
图数据库(GDB)存储知识图(G)，其中知识图(G)的节点对应于工程系统的组件，并且知识图(G)的边指定组件之间的连接。推理模块(RM)配备有第一代理(A1)和第二代理(A2)。代理已经以相反目的被训练，并且从知识图(G)提取从对应于工程系统的第一组件的节点开始的路径。预测模块(PM)使用分类器(C)对提取的路径进行分类，以便产生分类结果(CRT)，该分类结果(CRT)指示第一组件关于工程系统的一致性、并且特别是兼容性。该信息被提供给工程师，支持他验证工程系统，例如工业自动化解决方案。该方法和系统提供了一种自动化的数据驱动算法，该算法利用大量历史示例的集合来进行组件的一致性检查。与黑盒机器学习技术形成对照，以提取路径的形式给出预测连同可解释的解释，这些路径将工程师指向系统中出现问题的部分。在关键应用中，可解释的解释比由黑盒做出的预测高度更优选。
Description
例如工业自动化解决方案的工程系统是复杂的系统，它由众多个体组件组成，这些组件的相互作用满足了由预期应用产生的功能要求。由于需要考虑大量的准则，配置这样的系统是一项非常费力的任务，其需要大量领域特定的知识，并且容易出错。此外，由于以下原因之一，修订先前配置的自动化解决方案并不罕见：
-功能或非功能要求朝向自动化解决方案的改变；
-公司的自动化解决方案设计实践的改变，
-指示原始设计中的缺陷的大量问题，
-发布更合适的组件。
本发明的目的是提供一种用于评估工程系统的一致性的方法和系统，以便促进工程系统的配置和/或重新配置。
根据用于评估工程系统的一致性的计算机实现的方法，其中工程系统是工业自动化解决方案，由一个或多个处理器执行以下操作：
-由访问图数据库的一个或多个处理器提供知识图，其中知识图的节点对应于工程系统的组件，并且知识图的边指定组件之间的连接，并且其中所述知识图还包含描述其它系统的节点和边，其中所述其它系统的至少一些组件与所述工程系统的组件相同，
-由一个或多个处理器施行第一代理和第二代理，其中第一代理和第二代理是强化学习代理，它们已经以相反目的被训练以从知识图提取路径，
-从知识图由第一代理提取第一路径并且由第二代理提取第二路径，其中第一路径和第二路径从对应于所述工程系统的第一组件的节点开始，
-由一个或多个执行分类器的处理器对第一路径和第二路径进行分类，并产生分类结果，所述分类结果指示第一组件关于工程系统的一致性、并且特别是兼容性，以及
-由访问输出设备的一个或多个处理器输出分类结果以及第一路径和/或第二路径。
用于评估工程系统的一致性的系统，其中工程系统是工业自动化解决方案，包括：
*图数据库，存储知识图，其中知识图的节点对应于工程系统的组件，并且知识图的边指定组件之间的连接，并且其中所述知识图还包含描述其它系统的节点和边，其中所述其它系统的至少一些组件与所述工程系统的组件相同，
-具有第一代理和第二代理的推理模块，被配置用于处理知识图，其中第一代理和第二代理是强化学习代理，它们已经以相反目的被训练以从知识图提取路径，并且其中推理模块被配置用于从知识图由第一代理提取第一路径并且由第二代理提取第二路径，其中第一路径和第二路径从对应于所述工程系统的第一组件的节点开始，
-预测模块，包含分类器，其已经被训练为对第一路径和第二路径进行分类以便产生分类结果，所述分类结果指示第一组件关于工程系统的一致性、并且特别是兼容性，以及
-一个或多个处理器和输出设备，被配置用于输出分类结果以及第一路径和/或第二路径。
以下优点和解释不一定是独立权利要求的目标的结果。而是，它们可能是仅适用于某些实施例或变型的优点和解释。
根据该方法和系统的一些或所有实施例，一些或所有其它系统也是工业自动化解决方案。
该方法和系统或者它们实施例中的至少一些实施例支持工程师验证现有的工程系统，例如工业自动化解决方案。
任何检测到的一致性缺乏都可能基于并强调各种不一致性，诸如(i)与工程系统的其余部分的不兼容性，(ii)组件的异常选择，或(iii)针对其存在更合适替代方案的组件。
该方法和系统或者它们实施例中的至少一些实施例不仅可以用于增加工程系统的总体质量(同时使验证其设计者所做出选择的过程更加高效)，而且还使能实现经验较多的工程师和经验较少的工程师之间的系统性知识转移。
该方法和系统或者它们实施例中的至少一些实施例提供了自动化的数据驱动算法，该算法利用大量历史示例的集合来对构成复杂工程系统的组件进行一致性检查，并且可以自然地以图的形式表示。与黑盒机器学习技术形成对照，给出了可解释的预测，其将用户指向系统中出现问题的部分。
该方法和系统或者它们实施例中的至少一些实施例适用于各种各样的工业配置软件，支持工程师检测早前描述的每一种不同类型的不一致性，使得它们可以确保工业自动化解决方案内的组件的兼容性。
该方法和系统或者它们实施例中的至少一些实施例提供了一种用于验证复杂的工程系统的数据驱动的和自动化的方法，具有对于给定输出的可解释的解释的益处。与基于规则的系统形成对照，形式化和后续维护专家知识所需的人工努力少得多。换句话说，该方法和系统或者它们实施例中的至少一些实施例可以容易地针对具有大量可用组件选择的用例进行缩放。
与典型的机器学习方法形成对照，所提出的解决方案能够为它正在做出的预测提供可解释的解释，这对于任何应用领域都是高度有价值的，并且对于一些应用领域来说可能是必不可少的。在关键应用中，可解释的解释比由黑盒做出的预测高度更优选。
根据该方法的实施例，对工程系统的每个组件施行第一路径和第二路径的提取和分类。对于每个组件，仅当分类结果指示该组件低于阈值的一致性水平时，才施行分类结果以及相应的第一路径和/或第二路径的输出。
该方法的实施例包括以下初始步骤：基于其它系统与工程系统共享的组件的计算来选择其它系统，特别是通过计算Jaccard系数，以及在知识图中包括描述其它系统的节点和边。
该方法的实施例包括以下初始步骤：用与分类结果正相关的奖励训练第一代理，并且特别是同时用与分类结果负相关的奖励训练第二代理。特别地，第一代理、第二代理和分类器在端到端训练过程中同时被训练。
在该方法和系统的另一个实施例中，由第一代理对第一路径的提取和由第二代理对第二路径的提取是经由顺序决策来施行的。
在该方法和系统的另外的实施例中，第一代理和第二代理的决策问题被建模为马尔可夫决策过程。
在该方法和系统的另外的实施例中，第一代理和第二代理的每个动作对应于从知识图中的一个节点到相邻节点的转变。
计算机可读存储介质在其上存储有可由计算机系统的一个或多个处理器执行的指令，其中指令的执行使计算机系统施行该方法。
该计算机程序由计算机系统的一个或多个处理器执行，并施行该方法。
当结合附图阅读时，从以下详细描述最好地理解本发明的前述和其它方面。出于说明本发明的目的，在附图中示出了目前优选的实施例，然而，应理解，本发明不限于所公开的特定手段。附图中包括以下各图：
图1示出了用于评估工程系统的一致性的系统的可能的示例性实施例，
图2示出了用于评估工程系统的一致性的方法的可能的示例性实施例的流程图，以及
图3示出了图2中所示的工作流程的伪代码。
在以下描述中，将描述本发明及其实施例的各个方面。然而，本领域技术人员将理解，实施例可以仅用其一些或所有方面来实践。出于解释的目的，阐述了特定的数字和配置，以便提供透彻的理解。然而，对于本领域技术人员而言也将显而易见的是，可以在没有这些特定细节的情况下实践这些实施例。
图1示出了用于评估工程系统的一致性的系统的实施例。
该实施例描述了评估工程系统的组件的兼容性的数据驱动的自动化系统的技术特征。如果发现工程系统的所有组件都是兼容的，那么工程系统是一致的。
出于我们的目的，一个工程系统由异质系统图
给出，该系统图/>
表示为三元组列表。
这意味着
其中E标示顶点集，并且R标示边类型集。
顶点对应于工程系统的配置组件，并且边类型指定一对组件如何彼此连接。例如，三元组
(SiplusRack-4200，附接-左侧-插槽，
包含Siplus-4200机架和中央接口模块SIPLUS-CIM4210被配置的信息。此外，边类型指定中央接口模块附接到机架的左侧插槽。
我们定义知识图G，其不仅包含由上面定义的系统图
给出的感兴趣的工程系统，而且还包含其它工程系统的多个历史示例(在下文中：历史工程系统)，其中历史工程系统的至少一些组件与工程系统的组件相同。那些历史工程系统应当基于某个相似性准则来选择。一种可能性是选择与系统图/>
共享共同项目的历史工程系统(即，选择具有最高Jaccard系数的工程系统)。
此外，知识图G包含三元组形式(组件，特征名称，特征值)，其在技术水平上描述属于任一所包括的工程系统的每个组件。作为示例，三元组
(S7-1500PM1507，最大电流，25A)∈G
包含电源组件S7-1500PM1507——属于知识图G中包含的工程系统之一——额定最大电流为25A的信息。
图1示出了存储在图数据库GDB中的知识图G。
推理模块RM处理知识图G，并将一致性检查的任务构建为两个强化学习代理之间的争论游戏。具体地说，两个竞争的强化学习代理——第一代理A1和第二代理A2——从系统图
取得组件ei∈E作为输入，并提取从ei开始的路径。这些路径充当分类的特征，该分类预测该组件是兼容的还是不兼容的。由此，第一代理A1应提取路径，这些路径应当充当组件兼容的证据，并且第二代理A2用于相反的位置。
分类器C是预测模块PM的一部分，并且接收第一代理A1和第二代理A2从知识图G提取的路径。分类器C以受监督的方式被训练，以产生得分s(ei)作为分类结果CRT，其指示组件ei的兼容性。高分类得分对应于兼容的组件。
第一代理A1和第二代理A2的任务更加复杂，这是因为在知识图G中提取预测路径涉及顺序决策。出于我们的目的，第一代理A1和第二代理A2的决策问题依据马尔可夫决策过程(MDP)来建模。从组件节点ei∈E开始，每个代理的目标是在知识图G中提取充当代理位置的证据的路径。代理的连续状态空间是从对代理当前位置进行编码的节点嵌入导出的。
因此，状态空间表示应当引导相应的代理对允许以最有希望的方式扩展路径的转变进行采样。动作对应于从知识图G中的一个节点到相邻节点的转变。在从相应代理的策略网络对动作进行采样之后，相应地更新相应代理的位置和状态表示。
基于提取的路径对分类器C的决策具有的影响来计算对每个代理的奖励。例如，如果第一代理A1提取导致高分类得分s(ei)的路径，则第一代理A1接收高奖励。基本原理是提取的路径支持如下位置，即ei是兼容的。类似地，第二代理A2的奖励与分类得分成反比。在训练期间，代理使用优化方法(诸如强化)来最大化它们的预期奖励。
所描述的实施例可以集成到工程配置软件中，从而辅助用户挑选适当的组件，使得整个系统起作用。
图2示出了用于评估工程系统一致性的工作流程。
在配置步骤S1中，用户通过选择组件和指定它们的连接来配置工程系统。该配置过程产生系统图
在图构建步骤S2中，知识图
是根据关于图1描述的过程构建的。
在推理步骤S3中，图1中所示的推理模块RM将知识图G取作输入，并在配置的组件(即顶点集)上迭代，即对于每个组件，第一代理A1和第二代理A2轮流争论该组件是否兼容。
在后续的预测步骤S4中，由第一代理A1和第二代理A2生成的路径被输入到预测模块PM，该预测模块PM对手边的组件是否兼容进行分类。如果组件被分类为不兼容，则它连同提取的路径一起示出给用户。换句话说，提取的路径(其充当预测的可解释参数)被输出给用户。然后，用户可以检查提取的路径，并决定修改工程系统(即，选取其它组件或不同地连接它们)，并再次运行推理模块RM。
图3示出了图2中所示的工作流程的伪代码。
再次参考图1，现在讨论可以如何训练分类器C以及第一代理A1和第二代理A2。训练数据集T由过去配置的历史工程系统组成。这意味着，T＝{(G1，X1)，(G2，X2)，...，(GT，XT)}，其中每个图Gi对应于先前工程项目的图表示，并且每个列表Xi是与其余组件不兼容的组件的列表。
存在不同的方式来创建训练数据集T。特别是，列表Xi提供的负样本点需要附加的关注。在其它可能性当中，可以手动选择每个列表Xi的条目(即，领域专家正在选择已知不兼容的工程组件)，对每个列表Xi随机采样(基于在随机位置处随机配置组件将最有可能导致不一致性的假设；然而，这可能导致所谓的假阴性)，或者定义(可能是非穷举的)规则集，这些规则指定组件何时一致并相应地生成每个列表Xi。
我们的目的是将每个列表Xi中的组件分类为不兼容，并且将其余的组件分类为兼容。由每个列表Xi给出的监督信号被用于训练分类器C。分类器C的决策继而为第一代理A1和第二代理A2产生奖励信号。整个架构可以进行端到端的训练。
当训练过程完成时，在验证集上评估性能，该验证集类似于训练数据集T，但是包含在训练期间没有遇到的工程系统和不兼容组件的实例。
该方法可以由诸如微控制器或微处理器之类的处理器、专用集成电路(ASIC)、任何种类的计算机(包括诸如平板计算机、智能电话或膝上型计算机之类的移动计算设备)或者控制室或云中的一个或多个服务器来执行。例如，计算机系统的处理器、控制器或集成电路和/或另一个处理器可以被配置为实现本文中描述的动作。
上述方法可以经由计算机程序产品来实现，该计算机程序产品包括一个或多个计算机可读存储介质，其上存储有可由计算系统的一个或多个处理器执行的指令。指令的执行使计算系统施行与上面描述的方法的动作相对应的操作。
用于实现本文中描述的过程或方法的指令可以在非暂时性计算机可读存储介质或存储器——诸如高速缓存、缓冲器、RAM、闪存、可移除介质、硬盘驱动器或其它计算机可读存储介质——上提供。计算机可读存储介质包括各种类型的易失性和非易失性存储介质。可以响应于存储在计算机可读存储介质中或其上的一个或多个指令集来执行各图中所图示或本文中所描述的功能、动作或任务。功能、动作或任务可以独立于特定类型的指令集、存储介质、处理器或处理策略，并且可以由单独或组合操作的软件、硬件、集成电路、固件、微代码以及诸如此类来施行。同样，处理策略可以包括多处理、多任务、并行处理以及诸如此类。
已经参照本发明的实施例和示例详细描述了本发明。然而，在权利要求所覆盖的本发明的精神和范围内可以实现变化和修改。作为替代表达的短语“A、B和C中的至少一个”可以规定可以使用A、B和C中的一个或多个。
Claims (11)
1.一种用于评估工程系统的一致性的计算机实现的方法，其中所述工程系统是工业自动化解决方案，包括由一个或多个处理器施行的以下操作：
-由访问图数据库(GDB)的一个或多个处理器提供知识图(G)，其中知识图(G)的节点对应于工程系统的组件，并且知识图(G)的边指定组件之间的连接，并且其中知识图(G)还包含描述其它系统的节点和边，其中所述其它系统的至少一些组件与工程系统的组件相同，
-由一个或多个处理器执行第一代理(A1)和第二代理(A2)，其中第一代理(A1)和第二代理(A2)是强化学习代理，它们已经以相反目的被训练以从知识图(G)提取路径，
-从知识图(G)由第一代理(A1)提取第一路径并且由第二代理(A2)提取第二路径，其中第一路径和第二路径从对应于工程系统的第一组件的节点开始，
-由一个或多个执行分类器(C)的处理器对第一路径和第二路径进行分类，并产生分类结果(CRT)，所述分类结果(CRT)指示第一组件关于工程系统的一致性、并且特别是兼容性，以及
-由访问输出设备的一个或多个处理器来输出分类结果(CRT)以及第一路径和/或第二路径。
2.根据权利要求1所述的方法，其中，
-对工程系统的每个组件施行第一路径和第二路径的提取和分类，以及
-对于每个组件，仅当分类结果(CRT)指示组件低于阈值的一致性水平时，才施行分类结果(CRT)以及相应的第一路径和/或第二路径的输出。
3.根据前述权利要求中任一项所述的方法，具有以下初始步骤：
-基于所述其它系统与所述工程系统共享的组件的计算来选择所述其它系统，特别是通过计算Jaccard系数，以及
-在知识图(G)中包括描述所述其它系统的节点和边。
4.根据前述权利要求中任一项所述的方法，具有以下初始步骤：
-用与分类结果(CRT)正相关的奖励训练第一代理(A1)，并且特别是同时地
-用与分类结果(CRT)负相关的奖励训练第二代理(A2)。
5.根据权利要求4所述的方法，
-其中所述第一代理(A1)、第二代理(A2)和分类器(C)在端到端训练过程中同时被训练。
6.根据前述权利要求中任一项所述的方法，
-其中由第一代理(A1)提取第一路径和由第二代理(A2)提取第二路径是经由顺序决策施行的。
7.根据权利要求6所述的方法，
-其中第一代理(A1)和第二代理(A2)的决策问题被建模为马尔可夫决策过程。
8.根据权利要求6或7所述的方法，
-其中第一代理(A1)和第二代理(A2)的每个动作对应于从知识图(G)中的一个节点到相邻节点的转变。
9.一种用于评估工程系统的一致性的系统，其中所述工程系统是工业自动化解决方案，包括：
-图数据库(GDB)，存储知识图(G)，其中知识图(G)的节点对应于工程系统的组件，并且知识图(G)的边指定组件之间的连接，并且其中知识图(G)还包含描述其它系统的节点和边，其中所述其它系统的至少一些组件与所述工程系统的组件相同，
-具有第一代理(A1)和第二代理(A2)的推理模块(RM)，被配置用于处理知识图(G)，其中第一代理(A1)和第二代理(A2)是强化学习代理，它们已经以相反目的被训练以从知识图(G)提取路径，并且其中推理模块(RM)被配置用于从知识图(G)由第一代理(A1)提取第一路径和由第二代理(A2)提取第二路径，其中第一路径和第二路径从对应于工程系统的第一组件的节点开始，
-预测模块(PM)，包含分类器(C)，其已经被训练来对第一路径和第二路径进行分类以便产生分类结果(CRT)，所述分类结果(CRT)指示第一组件关于工程系统的一致性、并且特别是兼容性，以及
-一个或多个处理器和输出设备，被配置用于输出分类结果(CRT)以及第一路径和/或第二路径。
10.计算机可读存储介质，其上存储有：
-可由计算机系统的一个或多个处理器执行的指令，其中所述指令的执行使计算机系统施行根据权利要求1至8中的一项所述的方法。
11.计算机程序，
-其由计算机系统的一个或多个处理器执行，并且施行根据权利要求1至8中的一项所述的方法。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP20198703.9A EP3975050A1 (en) | 2020-09-28 | 2020-09-28 | Method and system for evaluating consistency of an engineered system |
| EP20198703.9 | 2020-09-28 | ||
| PCT/EP2021/074540 WO2022063561A2 (en) | 2020-09-28 | 2021-09-07 | Method and system for evaluating consistency of an engineered system |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116210010A true CN116210010A (zh) | 2023-06-02 |
Family
ID=72665124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202180065973.1A Pending CN116210010A (zh) | 2020-09-28 | 2021-09-07 | 用于评估工程系统的一致性的方法和系统 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20230385596A1 (zh) |
| EP (2) | EP3975050A1 (zh) |
| CN (1) | CN116210010A (zh) |
| WO (1) | WO2022063561A2 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023186317A1 (en) * | 2022-03-31 | 2023-10-05 | Siemens Aktiengesellschaft | System, apparatus and method for managing one or more assets |
| CN115186780B (zh) * | 2022-09-14 | 2022-12-06 | 江西风向标智能科技有限公司 | 学科知识点分类模型训练方法、系统、存储介质及设备 |
| CN116610822A (zh) * | 2023-07-21 | 2023-08-18 | 南京邮电大学 | 一种面向糖尿病文本的知识图谱多跳推理方法 |
-
2020
- 2020-09-28 EP EP20198703.9A patent/EP3975050A1/en not_active Withdrawn
-
2021
- 2021-09-07 EP EP21777640.0A patent/EP4200749A2/en active Pending
- 2021-09-07 WO PCT/EP2021/074540 patent/WO2022063561A2/en active Application Filing
- 2021-09-07 CN CN202180065973.1A patent/CN116210010A/zh active Pending
- 2021-09-07 US US18/027,387 patent/US20230385596A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022063561A2 (en) | 2022-03-31 |
| US20230385596A1 (en) | 2023-11-30 |
| EP4200749A2 (en) | 2023-06-28 |
| WO2022063561A3 (en) | 2022-05-19 |
| EP3975050A1 (en) | 2022-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Robnik-Šikonja et al. | Perturbation-based explanations of prediction models | |
| CN116210010A (zh) | 用于评估工程系统的一致性的方法和系统 | |
| AU2024200810A1 (en) | Training tree-based machine-learning modeling algorithms for predicting outputs and generating explanatory data | |
| US11429863B2 (en) | Computer-readable recording medium having stored therein learning program, learning method, and learning apparatus | |
| CN114830091A (zh) | 整块应用的微服务分解策略 | |
| EP3726442A1 (en) | Semantic modeling and machine learning-based generation of conceptual plans for manufacturing assemblies | |
| US20220027738A1 (en) | Distributed synchronous training architecture using stale weights | |
| Krawczyk et al. | Instance reduction for one-class classification | |
| US11049043B2 (en) | Model induction method for explainable A.I | |
| Blondet et al. | A knowledge-based system for numerical design of experiments processes in mechanical engineering | |
| US20220170751A1 (en) | Method for defining a path | |
| EP4352661A1 (en) | Automatic xai (autoxai) with evolutionary nas techniques and model discovery and refinement | |
| US20200167660A1 (en) | Automated heuristic deep learning-based modelling | |
| WO2020209860A1 (en) | Leveraging lagging gradients in machine-learning model training | |
| EP4104107A1 (en) | Method for injecting human knowledge into ai models | |
| Mori et al. | Inference in hybrid Bayesian networks with large discrete and continuous domains | |
| US11487604B2 (en) | Cognitive service request construction | |
| WO2022012347A1 (en) | Predictive models having decomposable hierarchical layers configured to generate interpretable results | |
| WO2022096577A1 (en) | Interpretable neural network | |
| KR102152081B1 (ko) | 딥러닝 기반의 가치 평가 방법 및 그 장치 | |
| CN116057543A (zh) | 自动化机器学习方法及其装置 | |
| CN114818682B (zh) | 基于自适应实体路径感知的文档级实体关系抽取方法 | |
| Kurd | Artificial neural networks in safety-critical applications | |
| US20210374612A1 (en) | Interpretable imitation learning via prototypical option discovery | |
| EP4102404B1 (en) | System and method for dynamically generating composable workflow for machine vision application-based environments |
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 |