CN116308853A - 传播网络结构重构方法、装置、设备及可读存储介质 - Google Patents

传播网络结构重构方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN116308853A
CN116308853A CN202211105506.XA CN202211105506A CN116308853A CN 116308853 A CN116308853 A CN 116308853A CN 202211105506 A CN202211105506 A CN 202211105506A CN 116308853 A CN116308853 A CN 116308853A
Authority
CN
China
Prior art keywords
node
infection
target
nodes
node set
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
CN202211105506.XA
Other languages
English (en)
Inventor
陈政宇
封奇志
徐贝澄
甘庭
黄浩
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202211105506.XA priority Critical patent/CN116308853A/zh
Publication of CN116308853A publication Critical patent/CN116308853A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Mathematical Optimization (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请涉及一种传播网络结构重构方法、装置、设备及可读存储介质，包括从感染节点集合开始传播得到各节点感染状态数据；根据感染状态数据构建各节点的目标父节点集合；基于目标父节点集合和节点集合对边集合进行更新生成目标边集合；基于节点集合和目标边集合构建目标网络拓扑结构图，若构建目标网络拓扑结构图的次数未达到预设构建次数，根据所构建的目标网络拓扑结构图对应的网络结构间的相似程度和各个节点的自信息重新筛选出多个节点更新至感染节点集合，以生成新的感染节点集合进行新的传播；否则根据最终生成的目标网络拓扑结构图对传播网络结构进行重构。本申请可有效解决重构结果覆盖范围所存在的局限性问题，并提升重构效率和准确率。

Description

传播网络结构重构方法、装置、设备及可读存储介质
技术领域
本申请涉及信息传播技术领域，特别涉及一种传播网络结构重构方法、装置、设备及可读存储介质。
背景技术
信息传播在社会网络中普遍存在，是社会中个体之间进行信息交流传递的活动，可以将信息传播的路径抽象为一张张传播网络，且在人们生活的方方面面都能看到传播网络的身影，比如社交网络上的信息传播、人际交往中的相互影响等。分析网络中的信息传播方式可以帮助我们了解个体之间潜在的影响关系，从而指导开展相关的工作。研究人员通过分析信息的传播方式，重构传播网络的结构，可以帮助人们直观地理解信息的传递规律，从而对未来进行预测，并可以进一步促进或阻止可能出现的信息传播过程。其中，在对传播网络结构重构的过程中，需要获得传播过程中的历史传播结果数据并对其进行分析，从而重构网络的拓扑结构(即组成网络的各个节点之间的相互影响关系)。
现有的重构方法所使用到的观测数据主要都是通过被动观测的方式得到的，没有筛选出更加有助于推断过程进行的数据，从而可能会导致获得的数据覆盖范围存在一定的局限性，进而使得推断出来的传播网络结构也存在着覆盖范围比较局限、准确率和效率较低的问题。
发明内容
本申请提供一种传播网络结构重构方法、装置、设备及可读存储介质，以解决相关技术中由于通过被动观测得到的观测数据重构传播网络结构而导致的传播网络结构覆盖范围存在局限性以及重构准确性差和效率低的问题。
第一方面，提供了一种传播网络结构重构方法，包括以下步骤：
从感染节点集合开始传播并传播预设次数，得到各节点的感染状态数据，所述感染节点集合包括从节点集合中筛选出的多个节点；
根据感染状态数据构建各节点的目标父节点集合；
基于目标父节点集合和节点集合对边集合进行更新，生成目标边集合；
基于节点集合和目标边集合构建目标网络拓扑结构图，并判断构建目标网络拓扑结构图的次数是否达到预设构建次数；
若否，则根据所构建的目标网络拓扑结构图对应的网络结构间的相似程度和各个节点的自信息从节点集合中筛选出M个节点作为目标初始感染节点更新至感染节点集合，以生成新的感染节点集合，基于新的感染节点集合执行所述从感染节点集合开始传播并传播预设次数的步骤，其中M为正整数；
若是，则根据最终生成的目标网络拓扑结构图对传播网络结构进行重构。
一些实施例中，在所述从感染节点集合开始传播并传播预设次数的步骤之前，还包括：
根据初始感染节点比例和节点总数从节点集合中筛选出多个节点；
将所述多个节点作为初始感染节点加入至感染节点集合。
一些实施例中，所述根据所构建的目标网络拓扑结构图对应的网络结构间的相似程度和各个节点的自信息从节点集合中筛选出M个节点作为目标初始感染节点更新至感染节点集合，以生成新的感染节点集合，包括：
每经过α次传播后，基于第一计算公式计算所构建的目标网络拓扑结构图对应的网络结构间的准确率Precision和召回率Recall，通过Precision和Recall表征网络结构间的相似程度，其中α为正整数；
每经过β次传播后，基于第二计算公式计算各个节点的自信息，其中β为正整数；
根据准确率、召回率和自信息从节点集合中筛选出M个节点作为目标初始感染节点；
将感染节点集合中的节点替换为目标初始感染节点，生成新的感染节点集合；
所述第一计算公式为：
Figure BDA0003841646700000031
Figure BDA0003841646700000032
式中，NTP表示当前推断得到的第一网络G'和上一次推断得到的第二网络G”中都存在的边的数目，NFP表示在G'中存在但在G”中不存在的边的数目，NFN表示在G'中不存在但在G”中存在的边的数目；
所述第二计算公式为：
SI(vi)＝-log2p(vi)
Figure BDA0003841646700000033
式中，SI(vi)表示节点vi的自信息，p(vi)表示节点vi被选择作为初始感染节点的概率，Ni表示从第一次传播开始到计算SI(vi)为止，节点vi被选择作为初始感染节点的次数。
一些实施例中，所述根据准确率、召回率和自信息从节点集合中筛选出M个节点作为目标初始感染节点，包括：
根据准确率和召回率之间的大小关系以及预设调整值对初始感染节点比例进行更新，得到目标初始感染节点比例；
根据目标初始感染比例和节点总数确定出M的取值；
按照自信息从大到小的顺序对节点集合中的各个节点进行排序，得到排序队列；
从所述排序队列中选取排列在前M位的节点作为目标初始感染节点。
一些实施例中，所述根据感染状态数据构建各节点的目标父节点集合，包括：
根据感染状态数据计算各节点之间的激活互信息；
基于激活互信息构建各节点的目标父节点集合。
一些实施例中，所述根据感染状态数据计算各节点之间的激活互信息，包括：
基于感染状态数据计算各节点的出现概率P(Xi)和各节点之间的联合概率P(Xi,Xj)；
根据出现概率和联合概率通过下式计算各节点之间的激活互信息：
Figure BDA0003841646700000042
其中，
Figure BDA0003841646700000041
MI(Xi,Xj)为节点vi和节点vj感染状态之间互信息的分量，P(Xi)为节点vi处于状态Xi的概率，Xi表示节点vi的感染状态，P(Xi,Xj)表示节点vi处于状态Xi，同时节点vj处于状态Xj的联合概率，AMI(Xi,Xj)表示激活互信息，MI(Xi＝0,Xj＝0)表示节点vi和节点vj均处于未感染状态时的相关性分量，属于正感染关联，MI(Xi＝1,Xj＝1)表示节点vi和节点vj均处于感染状态时的相关性分量，属于正感染关联，|MI(Xi＝0,Xj＝1)|为节点vi处于未感染状态而节点vj处于感染状态时的相关性分量，属于负感染关联，|MI(Xi＝1,Xj＝0)|为节点vi处于感染状态而节点vj处于未感染状态时的相关性分量，属于负感染关联。
一些实施例中，所述基于目标父节点集合和节点集合对边集合进行更新，生成目标边集合，包括：
将目标父节点集合中的各节点分别指向节点集合中对应的节点，生成对应的目标有向边；
将目标有向边加入到边集合中，生成目标边集合。
第二方面，提供了一种传播网络结构重构装置，包括：
传播模块，其用于从感染节点集合开始传播并传播预设次数，得到各节点的感染状态数据，所述感染节点集合包括从节点集合中筛选出的多个节点；
构建模块，其用于根据感染状态数据构建各节点的目标父节点集合；
更新模块，其用于基于目标父节点集合和节点集合对边集合进行更新，生成目标边集合；
构图模块，其用于基于节点集合和目标边集合构建目标网络拓扑结构图，并判断构建目标网络拓扑结构图的次数是否达到预设构建次数；
筛选模块，其用于若否，则根据所构建的目标网络拓扑结构图对应的网络结构间的相似程度和各个节点的自信息从节点集合中筛选出N个节点作为目标初始感染节点更新至感染节点集合，以生成新的感染节点集合，使传播模块基于新的感染节点集合执行所述从感染节点集合开始传播并传播预设次数的步骤，其中N为正整数；
重构模块，其用于若是，则根据最终生成的目标网络拓扑结构图对传播网络结构进行重构。
第三方面，提供了一种传播网络结构重构设备，包括：存储器和处理器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行，以实现前述的传播网络结构重构方法。
第四方面，提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，当所述计算机程序被处理器执行时，以实现前述的传播网络结构重构方法。
本申请提供了一种传播网络结构重构方法、装置、设备及可读存储介质，包括从感染节点集合开始传播并传播预设次数，得到各节点的感染状态数据，所述感染节点集合包括从节点集合中筛选出的多个节点；根据感染状态数据构建各节点的目标父节点集合；基于目标父节点集合和节点集合对边集合进行更新，生成目标边集合；基于节点集合和目标边集合构建目标网络拓扑结构图，并判断构建目标网络拓扑结构图的次数是否达到预设构建次数；若否，则根据所构建的目标网络拓扑结构图对应的网络结构间的相似程度和各个节点的自信息从节点集合中筛选出M个节点作为目标初始感染节点更新至感染节点集合，以生成新的感染节点集合，基于新的感染节点集合执行所述从感染节点集合开始传播并传播预设次数的步骤，其中M为正整数；若是，则根据最终生成的目标网络拓扑结构图对传播网络结构进行重构。通过本申请，结合主动学习的思想对传播过程的初始感染节点进行优选，避免网络推断时初始节点的随机选择，获得有助于重构传播网络拓扑结构的数据，从而使得每一次获得的观测数据都尽可能更有价值，带来更多的信息增益，进而有效解决重构结果覆盖范围所存在的局限性问题，并提升重构效率和准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请实施例提供的一种传播网络结构重构方法的流程示意图；
图2为本申请实施例提供的一种传播网络结构重构装置的结构示意图；
图3为本申请实施例提供的一种传播网络结构重构设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供了一种传播网络结构重构方法、装置、设备及可读存储介质，其能解决相关技术中由于通过被动观测得到的观测数据重构传播网络结构而导致的传播网络结构覆盖范围存在局限性以及重构准确性差和效率低的问题。
本申请实施例提供的一种传播网络结构重构方法，在本实施例中，使用LFR算法生成的五个人工网络(如表1所示，包括网络Net1、Net2、Net3、Net4和Net5，网络平均度指平均每个点连接的边的数目)；每个网络的传播数据生成过程如下：假定网络中各个节点之间的影响程度相同，设置初始的感染节点比例为0.15，即第一次传播过程开始的时候有15％的节点处于“感染”状态，之后的感染节点比例由算法决定，并采用独立级联模型(IC模型)来模拟感染传播的过程，且在每一次传播模拟结束后，记录每个节点的感染状态作为一条传播轨迹数据，将其加入至观测数据集中。
表1实验网络
LFR网络编号 节点个数 平均度
Net1 100 4
Net2 150 4
Net3 200 4
Net4 250 4
Net5 300 4
参见图1所示，一种传播网络结构重构方法，包括以下步骤：
步骤S10：从感染节点集合开始传播并传播预设次数，得到各节点的感染状态数据，所述感染节点集合包括从节点集合中筛选出的多个节点；
示范性的，为了更加主动地筛选出需要的信息，从而更加准确地重构出传播网络结构，并降低重构结果覆盖范围的局限性，本实施例结合了主动学习的思想和方法，通过对每一次传播过程的初始感染节点进行优选，避免网络推断时初始节点的随机选择，进获得有助于重构传播网络拓扑结构的数据。
需要说明的是，本实施例需要定义传播网络中潜在的影响关系图(即网络拓扑结构图)为G(V,E)，其中，V＝{v1,v2,…,vn}，其是组成网络的n个节点构成的集合；E＝{e1,e2,…,em}，其表示网络中m条有向边的集合，有向边e(vi,vj)表示节点vi对节点vj具有影响的关系，即当节点vi被感染时有一定的概率会导致节点vj被感染，也称作节点vi是节点vj的父节点；此外，使用集合C＝{C1,C2,…,Cr}记录观测到的r次传播过程后的结果，其中，
Figure BDA0003841646700000081
表示第l次传播过程结束后各个节点的感染状态集合，/>
Figure BDA0003841646700000082
的取值为0或者1，表示两种状态，若为0则表示节点vi在第l次传播过程结束后处于未被感染状态，若为1则表示节点vi在第l次传播过程结束后处于感染状态。
应当理解的是，在每次构建网络拓扑结构图之前，均会进行预设次数的传播过程，比如每传播10次进行一次构图，即每传播10次就会构建一张网络拓扑结构图，不过具体传播的次数可根据实际需求确定，在此不作限定。
本实施例在传播之前，需要初始化一个为空集的感染节点集合A，同时初始化一个为空集的有向边集合E，并进行初始感染节点的筛选，即从节点集合V中选取多个节点作为初始感染节点加入感染节点集合A；然后从感染节点集合开始传播并传播预设次数，得到各节点的感染状态数据(即每次传播后各节点是否被感染)，进而获得最终感染状态集合Cl，并将其加入历史观测数据集合C，其中，Cl表示第l次传播爆发的结果。
进一步的，所述从感染节点集合开始传播并传播预设次数的步骤之前，还包括：
根据初始感染节点比例和节点总数从节点集合中筛选出多个节点；
将所述多个节点作为初始感染节点加入至感染节点集合。
示范性的，本实施例中，在进行首次构图之前，需要根据初始感染节点比例rate和传播网络中节点总数n从节点集合V中随机选取多个作为初始感染节点加入感染节点集合A，即从节点集合V中随机选取rate×n个节点加入感染节点集合A；其中，rate表示每次感染过程开始时初始感染节点数占总节点数的比例；n表示传播网络中总的节点个数。
应当理解的是，如果是非首次构图，则感染节点集合A已经存储有多个初始感染节点，此时需要根据预设次数传播后得到的网络结构间的相似程度和各个节点的自信息从节点集合中重新筛选出多个初始感染节点来替换感染节点集合A已有的初始感染节点，以形成新的感染节点集合A，并从新的感染节点集合A开始传播，从而开始一次新的构图。需要说明的是，rate值的初次设定可以根据实际需求确定，比如rate的初始值可以设置为0.15，但是rate值的后续更新调整则需要根据预设次数传播后得到的网络结构间的相似程度来确定。
步骤S20：根据感染状态数据构建各节点的目标父节点集合；
示范性的，在本实施例中，应当理解的是，通过各个节点是否被感染的状态数据可以得出各个节点对应的父节点，进而构建生成各节点的目标父节点集合。
进一步的，所述根据感染状态数据构建各节点的目标父节点集合，包括：
根据感染状态数据计算各节点之间的激活互信息；
基于激活互信息构建各节点的目标父节点集合。
示范性的，在本实施例中，以创建节点vi的目标父节点集合为例进行阐释：首先会初始化一个为空集的集合Fi，Fi表示节点vi的父节点集合，然后通过各个节点是否被感染的状态数据可以计算得到各个节点之间的激活互信息AMI(Xi,Xj)，且将AMI<1的值都进行归一处理；在所有的激活互信息值上执行K-means算法(其中K＝2)，其中一组的聚类中心固定为1，并将均值接近1的聚类簇中最大的激活互信息值记为λ；对于节点vi，如果节点vj(i≠j)与其相应的激活互信息AMI(Xi,Xj)的值大于λ，则将节点vj加入到节点vi的父节点集合Fi中，否则就不加入，进而构建生成节点vi的目标父节点集合。
进一步的，所述根据感染状态数据计算各节点之间的激活互信息，包括：
基于感染状态数据计算各节点的出现概率P(Xi)和各节点之间的联合概率P(Xi,Xj)；
根据出现概率和联合概率通过下式计算各节点之间的激活互信息：
Figure BDA0003841646700000102
其中，
Figure BDA0003841646700000101
|MI(Xi,Xj)为节点vi和节点vj感染状态之间互信息的分量，P(Xi)为节点vi处于状态Xi的概率，Xi表示节点vi的感染状态，P(Xj)为节点vj处于状态Xj的概率，Xj表示节点vj的感染状态，P(Xi,Xj)表示节点vi处于状态Xi，同时节点vj处于状态Xj的联合概率，AMI(Xi),Xj)表示激活互信息，MI(Xi＝0,Xj＝0)表示节点vi和节点vj均处于未感染状态时的相关性分量，属于正感染关联，MI(Xi＝1,Xj＝1)表示节点vi和节点vj均处于感染状态时的相关性分量，属于正感染关联，|MI(Xi＝0,Xj＝1)|为节点vi处于未感染状态而节点vj处于感染状态时的相关性分量，属于负感染关联，|MI(Xi＝1,Xj＝0)|为节点vi处于感染状态而节点vj处于未感染状态时的相关性分量，属于负感染关联。
示范性的，在本实施例中，依次考虑传播网络中的每个节点，并对每个节点与其对应的各个节点之间的激活互信息进行计算。其中，以计算节点vi和节点vj之间的激活互信息为例进行阐释：根据感染状态数据并通过以下公式计算节点vi的出现概率P(Xi)以及其与剩余每个节点vj(i≠j)的联合概率P(Xi,Xj)；
Figure BDA0003841646700000111
Figure BDA0003841646700000112
式中，Xi和Xj分别表示节点vi和节点vj的感染状态(取值为0表示节点处于未被感染状态，取值为1则表示节点处于感染状态)，Ni表示在所有感染结果中观测到的节点vi处于Xi状态的次数，Ni,j表示在所有感染结果中观测到的节点vi处于Xi状态并且节点vj处于Xj状态的次数，N表示观测数据记录总数。其中，P(Xj)的计算方法和原理与P(Xi)的相同。
根据P(Xi)、P(Xj)和P(Xi,Xj)并通过下式即可计算得到节点vi和节点vj之间的激活互信息：
Figure BDA0003841646700000114
其中，
Figure BDA0003841646700000113
步骤S30：基于目标父节点集合和节点集合对边集合进行更新，生成目标边集合；
示范性的，在本实施例中，应当理解的是，根据目标父节点集合中的父节点和节点集合中各个节点可以生成多条有向边，通过该多条有向边对边集合进行更新，即可生成目标边集合。
进一步的，基于目标父节点集合和节点集合对边集合进行更新，生成目标边集合，包括：
将目标父节点集合中的各节点分别指向节点集合中对应的节点，生成对应的目标有向边；
将目标有向边加入到边集合中，生成目标边集合。
示范性的，在本实施例中，可以理解的是，通过将目标父节点集合中的各个父节点分别指向节点集合中对应的节点，形成相应的有向边并加入到边集合E中，生成目标边集合。比如，将节点vi对应的目标父节点集合中的各个父节点vj指向节点集合中的节点vi，即可生成与节点vi对应的多条有向边，同理生成其他节点对应的有向边。
步骤S40：基于节点集合和目标边集合构建目标网络拓扑结构图，并判断构建目标网络拓扑结构图的次数是否达到预设构建次数；
示范性的，在本实施例中，应当理解的是，将节点集合V和目标边集合E组成影响关系图G，即可构建出当前次迭代所得到的目标网络拓扑结构图；此时需要进一步判断是否达到迭代上界，即构建目标网络拓扑结构图的次数是否达到预设构建次数，根据判断结果判定是否需要重新筛选出新的初始感染节点用于开始新的传播。
步骤S50：若否，则根据所构建的目标网络拓扑结构图对应的网络结构间的相似程度和各个节点的自信息从节点集合中筛选出N个节点作为目标初始感染节点更新至感染节点集合，以生成新的感染节点集合，基于新的感染节点集合执行所述从感染节点集合开始传播并传播预设次数的步骤，其中N为正整数；
示范性的，在本实施例中，如果当前迭代次数未达到迭代上界，则需要继续进行构图，此时需要筛选出新的初始感染节点开始新的传播，已构建新的目标网络拓扑结构图。具体的，每经过预设次数的传播后就会生成各个节点的自信息，并进行一次构图，进而得到对应的网络拓扑结构图；通过当前得到的网络拓扑结构图中所构建的网络结构与上一次得到的网络结构图中所构建的网络结构之间的相似程度以及各个节点的自信息可以从节点集合中再次筛选出用于下一次传播的初始感染节点。
进一步的，所述根据所构建的目标网络拓扑结构图对应的网络结构间的相似程度和各个节点的自信息从节点集合中筛选出M个节点作为目标初始感染节点更新至感染节点集合，以生成新的感染节点集合，包括：
每经过α次传播后，基于第一计算公式计算所构建的目标网络拓扑结构图对应的网络结构间的准确率Precision和召回率Recall，通过Precision和Recall表征网络结构间的相似程度，其中α为正整数；
每经过β次传播后，基于第二计算公式计算各个节点的自信息，其中β为正整数；
根据准确率、召回率和自信息从节点集合中筛选出M个节点作为目标初始感染节点；
将感染节点集合中的节点替换为目标初始感染节点，生成新的感染节点集合；
第一计算公式Evaluation(G',G”)为：
Figure BDA0003841646700000131
Figure BDA0003841646700000132
式中，NTP表示当前推断得到的第一网络G'和上一次推断得到的第二网络G”中都存在的边的数目，NFP表示在G'中存在但在G”中不存在的边的数目，NFN表示在G'中不存在但在G”中存在的边的数目；
第二计算公式为：
SI(vi)＝-log2p(vi)
Figure BDA0003841646700000141
式中，SI(vi)表示节点vi的自信息，p(vi)表示节点vi被选择作为初始感染节点的概率，Ni表示从第一次传播开始到计算SI(vi)为止，节点vi被选择作为初始感染节点的次数。
示范性的，在本实施例中，每经过α次传播过程后，使用Evaluation(Gi,Gi+α)对不同阶段预测得到的网络结构之间的相似程度进行评估，并根据评估结果调整下一次感染过程的初始感染节点比例。具体的，通过以上第一计算公式计算得到网络结构间的Precision和Recall(即Evaluation(Gi',Gi”))，然后根据Precision和Recall之间的大小关系来评估网络结构之间的相似程度；每经过β次传播过程后，根据每个节点被选择作为初始感染节点的相关信息并通过以上第二计算公式计算得到每个节点的自信息SI；通过网络结构间的相似程度和各个节点的自信息即可从节点集合中筛选出多个节点作为目标初始感染节点更新至感染节点集合，进而生成新的感染节点集合。需要说明的是，α和β的具体取值可以根据实际需求确定，比如α∈[3,10]，β∈[5,15]。
进一步的，根据准确率、召回率和自信息从节点集合中筛选出M个节点作为目标初始感染节点，包括：
根据准确率和召回率之间的大小关系以及预设调整值对初始感染节点比例进行更新，得到目标初始感染节点比例；
根据目标初始感染比例和节点总数确定出M的取值；
按照自信息从大到小的顺序对节点集合中的各个节点进行排序，得到排序队列；
从所述排序队列中选取排列在前M位的节点作为目标初始感染节点。
示范性的，在本实施例中，根据相似程度的评估结果调整下一次感染过程的初始感染节点比例，即当Precision>Recall时，令目标初始感染节点比例rate'＝初始感染节点比例rate+预设调整值Δ，否则，令rate'＝rate-Δ；其中，rate的取值范围可以为[0.05,0.25]，如果超出边界值则取相应边界值，而Δ则可以取值为0.005，需要说明的是，rate和Δ的取值可以根据实际需求确定，在此不作限定；由于传播网络中节点的总数是固定的，因此在确定了目标初始感染节点rate'后，就可以根据传播网络中的节点总数n和目标初始感染节点rate'确定出需要在节点集合中重新筛选出多少个节点作为目标初始感染节点，即M＝rate'×n，M即为目标初始感染节点的个数。
按照自信息从大到小的顺序对节点集合中的各个节点进行排序，从节点集合中筛选出自信息最大的M个节点作为目标初始感染节点来替换感染节点集合A中的节点，进而可生成得到新的感染节点集合A'；然后从新的感染节点集合A'开始传播，进行新一轮的构图。通过对传播过程的初始感染节点进行优选，可避免网络推断时初始节点的随机选择，进而获得有助于重构传播网络拓扑结构的数据。
步骤S60：若是，则根据最终生成的目标网络拓扑结构图对传播网络结构进行重构。
示范性的，在本实施例中，可以理解的是，如果当前迭代次数已经达到迭代上界，则直接根据最后一轮生成的目标网络拓扑结构图对传播网络结构进行重新构建，进而生成重构后的传播网络。由此可见，本实施例在重构传播网络拓扑结构的时候，能够结合主动学习思想，为网络结构推断算法选择更好的初始感染节点，可有效改善基于被动观测的推断算法所需迭代次数过多、重构结果覆盖范围存在局限性等问题，从而提升传播网络结构重构的效率和准确性。
综上，本申请将主动学习的思想引入到传播网络结构推断中，利用历史信息进行主动学习，并对传播过程的初始感染节点进行优选，以避免网络推断时初始节点的随机选择，带来更多的信息增益。因此，通过本申请，可有效减少推断过程中的迭代次数，降低重构结果覆盖范围的局限性，并提升重构网络的推断效率和准确率。
参见图2所示，本申请实施例提供一种传播网络结构重构装置，包括：
传播模块，其用于从感染节点集合开始传播并传播预设次数，得到各节点的感染状态数据，所述感染节点集合包括从节点集合中筛选出的多个节点；
构建模块，其用于根据感染状态数据构建各节点的目标父节点集合；
更新模块，其用于基于目标父节点集合和节点集合对边集合进行更新，生成目标边集合；
构图模块，其用于基于节点集合和目标边集合构建目标网络拓扑结构图，并判断构建目标网络拓扑结构图的次数是否达到预设构建次数；
筛选模块，其用于若否，则根据所构建的目标网络拓扑结构图对应的网络结构间的相似程度和各个节点的自信息从节点集合中筛选出N个节点作为目标初始感染节点更新至感染节点集合，以生成新的感染节点集合，使传播模块基于新的感染节点集合执行所述从感染节点集合开始传播并传播预设次数的步骤，其中N为正整数；
重构模块，其用于若是，则根据最终生成的目标网络拓扑结构图对传播网络结构进行重构。
进一步的，所示传播模块还用于：
根据初始感染节点比例和节点总数从节点集合中筛选出多个节点；
将所述多个节点作为初始感染节点加入至感染节点集合。
进一步的，所述筛选模块具体用于：
每经过α次传播后，基于第一计算公式计算所构建的目标网络拓扑结构图对应的网络结构间的准确率Precision和召回率Recall，通过Precision和Recall表征网络结构间的相似程度，其中α为正整数；
每经过β次传播后，基于第二计算公式计算各个节点的自信息，其中β为正整数；
根据准确率、召回率和自信息从节点集合中筛选出M个节点作为目标初始感染节点；
将感染节点集合中的节点替换为目标初始感染节点，生成新的感染节点集合；
所述第一计算公式为：
Figure BDA0003841646700000171
Figure BDA0003841646700000172
式中，NTP表示当前推断得到的第一网络G'和上一次推断得到的第二网络G”中都存在的边的数目，NFP表示在G'中存在但在G”中不存在的边的数目，NFN表示在G'中不存在但在G”中存在的边的数目；
所述第二计算公式为：
SI(vi)＝-log2p(vi)
Figure BDA0003841646700000173
式中，SI(vi)表示节点vi的自信息，p(vi)表示节点vi被选择作为初始感染节点的概率，Ni表示从第一次传播开始到计算SI(vi)为止，节点vi被选择作为初始感染节点的次数。
进一步的，所述筛选模块具体还用于：
根据准确率和召回率之间的大小关系以及预设调整值对初始感染节点比例进行更新，得到目标初始感染节点比例；
根据目标初始感染比例和节点总数确定出M的取值；
按照自信息从大到小的顺序对节点集合中的各个节点进行排序，得到排序队列；
从所述排序队列中选取排列在前M位的节点作为目标初始感染节点。
进一步的，所述构建模块具体用于：
根据感染状态数据计算各节点之间的激活互信息；
基于激活互信息构建各节点的目标父节点集合。
进一步的，所述构建模块具体还用于：
基于感染状态数据计算各节点的出现概率P(Xi)和各节点之间的联合概率P(Xi,Xj)；
根据出现概率和联合概率通过下式计算各节点之间的激活互信息：
Figure BDA0003841646700000182
其中，
Figure BDA0003841646700000181
MI(Xi,Xj)为节点vi和节点vj感染状态之间互信息的分量，P(Xi)为节点vi处于状态Xi的概率，Xi表示节点vi的感染状态，P(Xi,Xj)表示节点vi处于状态Xi，同时节点vj处于状态Xj的联合概率，AMI(Xi,Xj)表示激活互信息，MI(Xi＝0,Xj＝0)表示节点vi和节点vj均处于未感染状态时的相关性分量，属于正感染关联，MI(Xi＝1,Xj＝1)表示节点vi和节点vj均处于感染状态时的相关性分量，属于正感染关联，|MI(Xi＝0,Xj＝1)|为节点vi处于未感染状态而节点vj处于感染状态时的相关性分量，属于负感染关联，|(MI(Xi＝1,Xj＝0)|为节点vi处于感染状态而节点vj处于未感染状态时的相关性分量，属于负感染关联。
进一步的，所述更新模块具体用于：
将目标父节点集合中的各节点分别指向节点集合中对应的节点，生成对应的目标有向边；
将目标有向边加入到边集合中，生成目标边集合。
需要说明的是，所属本领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各单元的具体工作过程，可以参考前述传播网络结构重构方法实施例中的对应过程，在此不再赘述。
上述实施例提供的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图3所示的传播网络结构重构设备上运行。
本申请实施例还提供了一种传播网络结构重构设备，包括：通过系统总线连接的存储器、处理器和网络接口，存储器中存储有至少一条指令，至少一条指令由处理器加载并执行，以实现前述的传播网络结构重构方法的全部步骤或部分步骤。
其中，网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
处理器可以是CPU，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程逻辑门阵列(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等。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，处理器是计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如视频播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如视频数据、图像数据等)等。此外，存储器可以包括高速随存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘、智能存储卡(SmartMedia Card，SMC)、安全数字(Secure digital，SD)卡、闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件或其他易失性固态存储器件。
本申请实施例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，计算机程序被处理器执行时，实现前述的传播网络结构重构方法的全部步骤或部分步骤。
本申请实施例实现前述的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only memory，ROM)、随机存取存储器(Random Accessmemory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、服务器或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种传播网络结构重构方法，其特征在于，包括以下步骤：
从感染节点集合开始传播并传播预设次数，得到各节点的感染状态数据，所述感染节点集合包括从节点集合中筛选出的多个节点；
根据感染状态数据构建各节点的目标父节点集合；
基于目标父节点集合和节点集合对边集合进行更新，生成目标边集合；
基于节点集合和目标边集合构建目标网络拓扑结构图，并判断构建目标网络拓扑结构图的次数是否达到预设构建次数；
若否，则根据所构建的目标网络拓扑结构图对应的网络结构间的相似程度和各个节点的自信息从节点集合中筛选出M个节点作为目标初始感染节点更新至感染节点集合，以生成新的感染节点集合，基于新的感染节点集合执行所述从感染节点集合开始传播并传播预设次数的步骤，其中M为正整数；
若是，则根据最终生成的目标网络拓扑结构图对传播网络结构进行重构。
2.如权利要求1所述的传播网络结构重构方法，其特征在于，在所述从感染节点集合开始传播并传播预设次数的步骤之前，还包括：
根据初始感染节点比例和节点总数从节点集合中筛选出多个节点；
将所述多个节点作为初始感染节点加入至感染节点集合。
3.如权利要求2所述的传播网络结构重构方法，其特征在于，所述根据所构建的目标网络拓扑结构图对应的网络结构间的相似程度和各个节点的自信息从节点集合中筛选出M个节点作为目标初始感染节点更新至感染节点集合，以生成新的感染节点集合，包括：
每经过α次传播后，基于第一计算公式计算所构建的目标网络拓扑结构图对应的网络结构间的准确率Precision和召回率Recall，通过Precision和Recall表征网络结构间的相似程度，其中α为正整数；
每经过β次传播后，基于第二计算公式计算各个节点的自信息，其中β为正整数；
根据准确率、召回率和自信息从节点集合中筛选出M个节点作为目标初始感染节点；
将感染节点集合中的节点替换为目标初始感染节点，生成新的感染节点集合；
所述第一计算公式为：
Figure FDA0003841646690000021
Figure FDA0003841646690000022
式中，NTP表示当前推断得到的第一网络G'和上一次推断得到的第二网络G”中都存在的边的数目，NFP表示在G'中存在但在G”中不存在的边的数目，NFN表示在G'中不存在但在G”中存在的边的数目；
所述第二计算公式为：
SI(vi)＝-log2p(vi)
Figure FDA0003841646690000023
式中，SI(vi)表示节点vi的自信息，p(vi)表示节点vi被选择作为初始感染节点的概率，Ni表示从第一次传播开始到计算SI(vi)为止，节点vi被选择作为初始感染节点的次数。
4.如权利要求3述的传播网络结构重构方法，其特征在于，所述根据准确率、召回率和自信息从节点集合中筛选出M个节点作为目标初始感染节点，包括：
根据准确率和召回率之间的大小关系以及预设调整值对初始感染节点比例进行更新，得到目标初始感染节点比例；
根据目标初始感染比例和节点总数确定出M的取值；
按照自信息从大到小的顺序对节点集合中的各个节点进行排序，得到排序队列；
从所述排序队列中选取排列在前M位的节点作为目标初始感染节点。
5.如权利要求1所述的传播网络结构重构方法，其特征在于，所述根据感染状态数据构建各节点的目标父节点集合，包括：
根据感染状态数据计算各节点之间的激活互信息；
基于激活互信息构建各节点的目标父节点集合。
6.如权利要求5所述的传播网络结构重构方法，其特征在于，所述根据感染状态数据计算各节点之间的激活互信息，包括：
基于感染状态数据计算各节点的出现概率P(Xi)和各节点之间的联合概率P(Xi,Xj)；
根据出现概率和联合概率通过下式计算各节点之间的激活互信息：
Figure FDA0003841646690000031
其中，
Figure FDA0003841646690000032
MI(Xi,Xj)为节点vi和节点vj感染状态之间互信息的分量，P(Xi)为节点vi处于状态Xi的概率，Xi表示节点vi的感染状态，P(Xi,Xj)表示节点vi处于状态Xi，同时节点vj处于状态Xj的联合概率，AMI(Xi,Xj)表示激活互信息，MI(Xi＝0,Xj＝0)表示节点vi和节点vj均处于未感染状态时的相关性分量，属于正感染关联，MI(Xi＝1,Xj＝1)表示节点vi和节点vj均处于感染状态时的相关性分量，属于正感染关联，|MI(Xi＝0,Xj＝1)|为节点vi处于未感染状态而节点vj处于感染状态时的相关性分量，属于负感染关联，|MI(Xi＝1,Xj＝0)|为节点vi处于感染状态而节点vj处于未感染状态时的相关性分量，属于负感染关联。
7.如权利要求1述的传播网络结构重构方法，其特征在于，所述基于目标父节点集合和节点集合对边集合进行更新，生成目标边集合，包括：
将目标父节点集合中的各节点分别指向节点集合中对应的节点，生成对应的目标有向边；
将目标有向边加入到边集合中，生成目标边集合。
8.一种传播网络结构重构装置，其特征在于，包括：
传播模块，其用于从感染节点集合开始传播并传播预设次数，得到各节点的感染状态数据，所述感染节点集合包括从节点集合中筛选出的多个节点；
构建模块，其用于根据感染状态数据构建各节点的目标父节点集合；
更新模块，其用于基于目标父节点集合和节点集合对边集合进行更新，生成目标边集合；
构图模块，其用于基于节点集合和目标边集合构建目标网络拓扑结构图，并判断构建目标网络拓扑结构图的次数是否达到预设构建次数；
筛选模块，其用于若否，则根据所构建的目标网络拓扑结构图对应的网络结构间的相似程度和各个节点的自信息从节点集合中筛选出N个节点作为目标初始感染节点更新至感染节点集合，以生成新的感染节点集合，使传播模块基于新的感染节点集合执行所述从感染节点集合开始传播并传播预设次数的步骤，其中N为正整数；
重构模块，其用于若是，则根据最终生成的目标网络拓扑结构图对传播网络结构进行重构。
9.一种传播网络结构重构设备，其特征在于，包括：存储器和处理器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行，以实现权利要求1至7中任一项所述的传播网络结构重构方法。
10.一种计算机可读存储介质，其特征在于：所述计算机存储介质存储有计算机程序，当所述计算机程序被处理器执行时，以实现权利要求1至7中任一项所述的传播网络结构重构方法。
CN202211105506.XA 2022-09-09 2022-09-09 传播网络结构重构方法、装置、设备及可读存储介质 Pending CN116308853A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211105506.XA CN116308853A (zh) 2022-09-09 2022-09-09 传播网络结构重构方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211105506.XA CN116308853A (zh) 2022-09-09 2022-09-09 传播网络结构重构方法、装置、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN116308853A true CN116308853A (zh) 2023-06-23

Family

ID=86820979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211105506.XA Pending CN116308853A (zh) 2022-09-09 2022-09-09 传播网络结构重构方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN116308853A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118055030A (zh) * 2024-04-12 2024-05-17 江西求是高等研究院 一种传播网络重构方法、系统、存储介质及设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118055030A (zh) * 2024-04-12 2024-05-17 江西求是高等研究院 一种传播网络重构方法、系统、存储介质及设备

Similar Documents

Publication Publication Date Title
CN109934332A (zh) 基于评论家和双经验池的深度确定性策略梯度学习方法
JP6740597B2 (ja) 学習方法、学習プログラムおよび情報処理装置
CN111324630B (zh) 基于mpi的神经网络架构搜索并行化方法和设备
CN112948885B (zh) 实现隐私保护的多方协同更新模型的方法、装置及系统
CN110858805A (zh) 小区网络流量预测方法及装置
CN116308853A (zh) 传播网络结构重构方法、装置、设备及可读存储介质
CN112860756A (zh) 基于习题测试的学习资源推荐方法、装置及计算机设备
Fu et al. A three-phase search approach for the quadratic minimum spanning tree problem
Stevens et al. Reducing run-time adaptation space via analysis of possible utility bounds
JP6325762B1 (ja) 情報処理装置、情報処理方法、および情報処理プログラム
CN111783830A (zh) 基于oct的视网膜分类方法、装置、计算机设备及存储介质
CN116738246B (zh) 一种面向服务需求变化的组合服务动态重构方法及系统
CN111860855B (zh) 一种行为引导资源投放策略生成方法及装置
CN110705889A (zh) 一种企业筛选方法、装置、设备及存储介质
Xu et al. Improving quantal cognitive hierarchy model through iterative population learning
CN112804304B (zh) 基于多点输出模型的任务节点分配方法、装置及相关设备
KR102452629B1 (ko) 최소한의 일시적 섭동을 사용해 부울리언 네트워크의 임의의 상태를 원하는 끌개의 끌개유역 경계 상태로 천이시키는 제어방법
US11676050B2 (en) Systems and methods for neighbor frequency aggregation of parametric probability distributions with decision trees using leaf nodes
WO2022253454A2 (en) Dimensioning of telecommunication infrastructure
CN114239827A (zh) 基于混合采样策略的多智能体在线动作决策方法
CN114065906A (zh) 降低计算网络的复杂度的方法和系统
CN113657592A (zh) 一种软件定义卫星自适应剪枝模型压缩方法
Eftimov et al. Robust benchmarking for multi-objective optimization
CN113949633A (zh) 基于机器学习的5g网络切片容灾池资源管理方法及装置
KR102320718B1 (ko) 부울리언 네트워크의 특정 끌개유역에 포함되는 모든 상태들을 결정하는 방법

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