CN118171098A - 异常数据检测方法、装置、电子设备和存储介质 - Google Patents

异常数据检测方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN118171098A
CN118171098A CN202211584917.1A CN202211584917A CN118171098A CN 118171098 A CN118171098 A CN 118171098A CN 202211584917 A CN202211584917 A CN 202211584917A CN 118171098 A CN118171098 A CN 118171098A
Authority
CN
China
Prior art keywords
data
parameter
model
prediction
sample
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
CN202211584917.1A
Other languages
English (en)
Inventor
韩超诣
梅元刚
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.)
Beijing Zitiao Network Technology Co Ltd
Original Assignee
Beijing Zitiao Network Technology Co Ltd
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 Beijing Zitiao Network Technology Co Ltd filed Critical Beijing Zitiao Network Technology Co Ltd
Priority to CN202211584917.1A priority Critical patent/CN118171098A/zh
Publication of CN118171098A publication Critical patent/CN118171098A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开涉及一种异常数据检测方法、装置、电子设备和存储介质，该方法包括：获取待处理数据，待处理数据为视频解码中涉及到的视频信息。随后通过预先构建的回归模型对待处理数据进行预测，输出第一预测参数和第二预测参数，其中，第一预测参数为待处理数据对应的子预测结果。基于第一预测参数生成待处理数据对应的最终预测结果，最终预测结果为针对重建视频的质量得分。若确定第二预测参数大于预设参数，则认为该视频信息和预测的质量得分为异常数据，也就是预测的准确度比较低，同时还可以将待处理数据和预测结果标记为异常数据。因此，本公开在输出预测结果的情况下，还能准确检测出预测结果是否是异常数据。

Description

异常数据检测方法、装置、电子设备和存储介质
技术领域
本公开涉及数据处理技术领域，尤其涉及一种异常数据检测方法、装置、电子设备和存储介质。
背景技术
随着数据处理技术的发展，数据的应用也越来越广泛。例如，基于回归模型进行数据预测，其中，回归模型是一种常见的统计模型，用于挖掘多个变量和结果变量之间的潜在关系。在实际应用中，由于诸多因素的存在，回归模型的性能和适用性可能会出现难以预料的损失，例如，数据采集具有一定的误差、作为预测的回归模型和真实模型不一致(如采集时缺少某些变量)以及数据本身的相关性较差等因素都会影响回归模型的预测性能。例如，在视频编码过程中，需要根据编码器给出的视频信息，来预测重建视频的质量得分，质量得分可以理解为视频画质的评价，其中，视频信息包括视频帧率、视频分辨率以及重建视频和原始视频之间的绝对误差和(Sum of Absolute Transformed Difference，SATD)等信息，由于视频信息和质量得分的相关性比较低，导致在部分视频上基于回归模型预测质量得分得到的预测值和真实值相差较大。
因此，为了确保后续视频解码的性能，需要对此类视频信息和预测的质量得分进行异常数据检测。在使用已训练好的回归模型预测新的视频数据时，往往需要对预测结果即质量得分的准确度进行评估，以对异常数据采取可能的修正方案。
但是，目前被广泛使用的回归模型，仅能给出预测结果，无法对预测结果的置信度进行估计，从而无法检测出预测结果中的异常数据。
发明内容
为了解决上述技术问题，本公开提供了一种异常数据检测方法、装置、电子设备和存储介质，在输出预测结果的情况下，还能准确检测出预测结果是否是异常数据。
第一方面，本公开实施例提供了异常数据检测方法，包括：
获取待处理数据；
通过预先构建的回归模型对所述待处理数据进行预测，输出第一预测参数和第二预测参数，其中，所述第一预测参数为所述待处理数据对应的子预测结果；
基于所述第一预测参数生成所述待处理数据对应的最终预测结果；
根据所述第二预测参数和预设参数，对所述待处理数据和所述最终预测结果进行异常数据检测，所述第二预测参数为所述最终预测结果的概率分布估计值。
第二方面，本公开实施例提供了一种异常数据检测装置，包括：
获取单元，用于获取待处理数据；
预测单元，用于通过预先构建的回归模型对所述待处理数据进行预测，输出第一预测参数和第二预测参数，其中，所述第一预测参数为所述待处理数据对应的子预测结果；
生成单元，用于基于所述第一预测参数生成所述待处理数据对应的最终预测结果；
检测单元，用于根据所述第二预测参数和预设参数，对所述待处理数据和所述最终预测结果进行异常数据检测，所述第二预测参数为所述最终预测结果的概率分布估计值。
第三方面，本公开实施例还提供了一种电子设备，电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述的异常数据检测方法。
第四方面，本公开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，该程序被处理器执行时实现上述的异常数据检测方法。
第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机程序或指令，该计算机程序或指令被处理器执行时实现上述的异常数据检测方法。
本公开实施例提供的技术方案与现有技术相比至少具有如下优点：
本公开实施例提供了一种异常数据检测方法，包括：获取待处理数据，待处理数据为视频解码中涉及到的视频信息。随后通过预先构建的回归模型对待处理数据进行预测，输出第一预测参数和第二预测参数，其中，第一预测参数为待处理数据对应的子预测结果。基于第一预测参数生成待处理数据对应的最终预测结果，最终预测结果为针对重建视频的质量得分，即基于所有子预测结果可以得到待处理数据对应的最终预测结果。若确定第二预测参数大于预设参数，则认为该视频信息和预测得到的质量得分为异常数据，也就是该预测结果的准确度比较低，同时还可以将待处理数据和预测结果标记为异常数据，便于后续进行数据分析。因此，本公开提供的方法在输出预测结果的情况下，还能准确检测出预测结果是否是异常数据。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的一种应用场景的示意图；
图2为本公开实施例提供的一种回归模型构建方法的流程示意图；
图3为本公开实施例提供的一种预设参数确定方法的流程示意图；
图4为本公开实施例提供的一种异常数据检测方法的流程示意图；
图5为本公开实施例提供的一种异常数据检测装置的结构示意图；
图6为本公开实施例提供的电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
针对上述技术问题，本公开实施例提供了一种异常数据检测方法，获取待处理数据，待处理数据为用于视频编码的视频信息，视频信息包括视频帧率、视频分辨率以及重建视频和原始视频的SATD误差等。随后通过预先构建的回归模型堆视频信息进行预测，生成第一预测参数和第二预测参数，第二预测参数为和预测结果相关的混合高斯模型的某一参数，第一预测参数为子预测结果，也就是通过回归模型得到预测结果的概率分布函数，而非单一数值的方法，随后再基于第一预测参数确定最终预测结果，该种方法能够更好的适应视频信息中存在噪声、预测结果不唯一等情况。若确定第二预测参数(即预测标准差)大于预设参数(预先确定的标准差阈值)，则认为该视频信息和预测得到的质量得分为异常数据，也就是该预测结果的准确度比较低，同时还可以将待处理数据和预测结果标记为异常数据，本公开实施例在完成回归模型预测的同时给出对预测结果分布的估计，该估计可以是预测标准差，并以预测标准差给出预测结果的置信度，进而确定预测结果是否是异常数据。具体的，通过下述一个或多个实施例进行详细说明。
具体的，异常数据检测方法可以由终端或服务器来执行。终端或服务器可以利用回归模型基于视频信息预测重建视频的质量得分并对预测结果进行异常数据检测。回归模型的构建方法的执行主体和异常数据检测方法的执行主体可以相同，也可以不同。
例如，在一种应用场景中，如图1所示，服务器12构建回归模型。终端11从服务器12获取构建完成的回归模型，终端11通过该回归模型对视频数据进行预测，得到预测参数，进而根据预测参数得到预测结果以及确定预测结果是否是异常数据的结论。
在另一种应用场景中，服务器12构建回归模型。进一步，服务器12通过该回归模型对视频数据进行预测，得到预测参数，进而根据预测参数得到预测结果以及确定预测结果是否是异常数据的结论。
可以理解的是，本公开实施例提供的异常数据检测方法并不限于如上的几种可能场景。由于构建的回归模型应用在异常数据检测方法中，因此，在介绍异常数据检测方法之前，下面可以先介绍一下回归模型构建方法。
下述实例以终端执行回归模型构建方法为例进行说明。
图2为本公开实施例提供的一种回归模型构建方法的流程示意图，应用于终端，具体包括如图2所示的如下步骤S210至S240：
S210、获取训练数据集，所述训练数据集包括多个训练数据，所述多个训练数据中的每个训练数据包括样本数据以及所述样本数据对应的真实结果。
可理解的，终端获取训练数据集，训练数据集用于求解回归模型，确定回归模型的模型参数，其中，训练数据集包括多个训练数据，多个训练数据中的每个训练数据包括样本数据以及样本数据对应的真实结果，真是结果也就是真实值，具体的，样本数据集可以是视频解码的相关数据集，样本数据为视频信息，视频信息包括视频帧率、视频分辨率以及重建视频和原始视频的SATD误差等，视频信息对应的真实值为针对视频信息中重建视频的质量得分。
S220、构建回归模型，所述回归模型包括模型参数。
可理解的，终端基于选定的回归模型的形式构建回归模型，回归模型的形式如线性回归模型或人工神经网络模型。构建的回归模型至少包括输入参数、输出参数和模型参数，上述样本数据作为回归模型的输入，样本数据对应的真实结果作为预测结果的对照结果，预测结果是基于回归模型的输出确定的。示例性的，将回归模型记为f(x；w)，其中，x为输入参数，w为模型参数。
S230、将所述样本数据对应的样本预测结果分布建模为混合高斯模型。
可理解的，终端将样本数据对应的样本预测结果分布建模为混合高斯模型，其中，混合高斯模型(Gaussian Mixture Model，GMM)是将单一高斯模型进行加权平均得到的，样本预测结果是样本数据对应的预测结果，样本预测结果是基于回归模型对样本数据进行预测输出的预测参数确定的。在本公开实施例中，回归模型输出的预测参数不等同于样本预测结果，回归模型输出的不是单一数值，是概率分布函数相关的参数，样本预测结果可以理解为预测值或观测值，在回归模型的构建过程中，预测值要无限接近于真实值，才能确保回归模型的预测准确率。
示例性的，构建的混合高斯模型如下述公式(1)所示：
式中，p(y；φ)为混合高斯模型输出的概率值，y为预测结果，φ为混合高斯模型的参数，φ＝[εi，μi，σi]，σi为标准差，εi为权重，i个权重的和值为1，μi为期望值/均值，i为预设数值，其可以理解为单一高斯模型的数量，示例性的，i＝3。
S240、基于所述训练数据集、所述回归模型和所述混合高斯模型确定所述模型参数。
可理解的，终端基于训练数据集、回归模型和混合高斯模型确定回归模型最终的模型参数。
在一个可选的实施方式中，上述S240确定模型参数具体可以通过如下步骤实现：
通过所述回归模型根据初始模型参数和所述样本数据，确定所述混合高斯模型的第一样本预测参数；基于所述混合高斯模型根据所述第一样本预测参数和所述样本数据对应的真实结果输出第一概率值；根据所述第一概率值计算误差值，并根据所述误差值确定所述模型参数。
可理解的，终端利用模型参数为初始模型参数的回归模型，将样本数据作为回归模型的输入，输出第一样本预测参数，第一样本预测参数为混合高斯模型的参数，也就是回归模型预测的是混合高斯模型的参数，第一样本预测参数具体包括权重、期望值和标准差，权重、期望值和标准差还各自存在多个对应数值，数值的数量同单一高斯模型的数量相同，混合高斯模型是由多个单一高斯模型构建的。其中，初始模型参数为预先设置的，初始模型参数可以是随机确定的。随后，终端将第一样本预测参数作为混合高斯模型的参数，混合高斯模型将样本数据对应的真实结果(真实值)作为输入基于第一样本预测参数，输出第一概率值，也就是针对每个训练数据，以训练数据1为例，训练数据1包括样本数据1和样本数据1对应的真实值1，样本数据1作为回归模型的输入，输出混合高斯模型的参数1，混合高斯模型基于参数1和真实值1得到概率值1。终端得到混合高斯模型输出的第一概率值后，根据第一概率值计算误差值，并根据误差值确定模型参数，具体如公式(2)所示：
式中，为误差值，yk为样本数据对应的真实值，xk为样本数据，p(yk；f(xk,w))为混合高斯模型输出的概率值，k为训练数据集中训练数据的数量，通过公式(2)对回归模型的模型参数w进行优化，若模型参数w使得误差值最小，则确定该模型参数w为回归模型的最终模型参数，最终模型参数确定后，回归模型构建完成。
在一个可选的实施方式中，根据计算得到的误差值确定模型参数具体可以通过如下步骤实现：
若所述误差值大于第一预设阈值，则更新苏松户初始模型参数，得到更新后的模型参数；通过所述回归模型根据所述更新后的模型参数，确定所述混合高斯模型的第二样本预测参数；通过所述混合高斯模型根据所述第二样本预测参数和所述样本数据对应的真实结果输出第二概率值；若基于所述第二概率值确定的误差值小于或等于所述第一预设阈值，则将所述更新后的模型参数确定为所述回归模型的最终模型参数。
若所述误差值小于或等于第一预设阈值，则将所述初始模型参数确定为所述回归模型的最终模型参数。
可理解的，终端根据第一概率值计算得到损失值后，判断损失值是否大于第一预设阈值，若误差值大于第一预设阈值，则更新初始模型参数，得到更新后的模型参数，第一预设阈值可以是无限小的正数，也就是若初始模型参数不满足上述公式(2)，则重新确定一个模型参数，记为更新后的模型参数，更新后的模型参数的确定具体可以基于初始模型参数以及损失值来确定。确定更新后的模型参数后，继续执行上述步骤确定新的误差值，直至误差值小于第一预设阈值，得到最终的模型参数。具体的，基于回归模型，根据更新后的模型参数输出样本数据对应的第二样本预测参数，将第二样本预测参数作为混合高斯模型的参数，计算样本数据对应的真实值的第二概率值，随后基于第二概率值重新计算一个损失值，并判断该损失值是否大于第一预设阈值，若该误差值小于或等于第一预设阈值，则将更新后的模型参数确定为回归模型的最终模型参数。
可理解的，回归模型的最终模型参数的确定可以需要进行多次，回归模型的最终模型参数可能是第N次得到的模型参数。
可理解的，终端根据第一概率值计算得到损失值后，判断损失值是否大于第一预设阈值，若误差值小于或等于第一预设阈值，则将初始模型参数确定为回归模型的最终模型参数。
本公开实施例提供了一种回归模型构建方法，获取训练数据集，训练数据集中包括多个训练数据，每个训练数据包括样本数据和样本数据对应的真实值。选定回归模型的形式构建回归模型，将样本数据对应的样本预测结果分布建模为混合高斯模型，其中回归模型的输入为样本数据，输出为混合高斯模型的3个参数，3个参数为权重、期望和标准差，真实值可以理解为样本预测结果来作为混合高斯模型的一个输入，混合高斯模型基于回归模型预测的3个参数以及真实值得到概率值，并基于概率值和第一预设阈值对回归模型的模型参数进行优化，以得到构建完成的回归模型，同时，还可以基于权重和期望值确定预测结果，也就是一个样本数据对应一个样本预测结果和一个真实结果。本公开提供的方法构建的回归模型既能得到准确的预测结果，还能对预测结果进行估计，以构建回归模型预测结果的概率分布函数而非单一数值的方法，使得回归模型能够更好的适应待预测参数中存在噪声以及预测结果不唯一等情况。
在上述实施例的基础上，应用于终端，终端完成回归模型的构建后，基于已确定最终模型参数的回归模型确定用于判断预测结果是否是异常数据的预设参数，预设参数可以理解为标准差阈值，参见图3，图3为本公开实施例提供的一种预设参数确定方法的流程示意图，具体包括如下步骤S310至S340：
S310、基于已确定最终模型参数的回归模型，确定所述混合高斯模型的第三样本预测参数。
可理解的，终端得到预先构建的回归模型后，利用该回归模型预测样本数据对应的样本预测参数，样本数据可以是视频信息，样本预测参数同样是回归模型预测的混合高斯模型的参数，该样本数据和上述确定回归模型的模型参数的样本数据可以属于同一训练数据集，以便得到准确的标准差阈值，减少训练数据不同所造成的误差。
S320、针对所述训练数据集中的每个训练数据，根据所述第三样本预测参数和所述样本数据对应的真实结果，将所述训练数据划分为正常数据或异常数据。
可理解的，在上述S310的基础上，终端针对训练数据集中多个训练数据中的每个训练数据，根据回归模型基于样本数据预测的混合高斯模型的参数即第三样本预测参数和该样本数据对应的真实值，将训练数据划分为正常数据或异常数据，也就是直接将训练数据集划分为正常数据集合和异常数据集合这两种集合。
在一种可选的实施方式中，上述S320中对训练数据进行划分具体可以通过下述步骤实现：
基于所述第三样本预测参数，得到所述样本数据对应的样本预测结果；计算所述样本预测结果和所述真实结果的第一差值；若所述第一差值小于或等于第二预设阈值，则将所述第一差值对应的训练数据划分为正常数据；或者，若所述第一差值大于所述第二预设阈值，则将所述第一差值对应的训练数据划分为异常数据。
可理解的，终端根据样本预测参数中的权重和期望值计算样本数据对应的样本预测结果，样本预测结果理解为样本预测值。可以理解的是，样本预测参数中包括至少一个权重、至少一个期望值和至少一个标准差，权重、期望值和标准差的数量相同，且同混合高斯模型中单一高斯模型的数量相关，具体的可以和单一高斯模型的数量相同，例如混合高斯模型是由3个单一高斯模型加权平均得到的，那么回归模型预测得到的混合高斯模型的参数可以包括3个权重、3个期望值和3个标准差，混合高斯模型的每个参数存在多个值可以进一步提高回归模型的模型参数的准确度，加快优化速度。
示例性的，计算样本预测结果即预测结果的公式如公式(3)所示：
其中，为样本预测结果，εi为权重，μi为期望值，i的取值和混合高斯模型中单一高斯模型的数量相关，i可以是3，且i个权重的和值为1。
可理解的，终端得到样本预测结果后，计算样本预测结果和样本数据对应的真实值之间的第一差值，例如，针对训练数据1来说，回归模型基于样本数据1预测得到样本预测参数1，采用上述公式(3)基于样本预测参数1得到样本预测结果1，随后，计算样本预测结果1和真实值1之间的差值，该差值记为第一差值1。确定第一差值后，判断第一差值是否大于第二预设阈值，具体的，第二预设阈值可以是根据预测结果和真实值确定的，计算多个训练数据涉及到的多个预测结果和每个预测结果对应的真实值之间的误差，基于多个误差得到平均误差，将该平均误差的2倍或者3倍确定为第二预设阈值，基于平均误差确定第二预设阈值的方法不作限定。若第一差值小于或等于第二预设阈值，则将第一差值对应的训练数据划分为正常数据，例如，在上述示例的基础上，第一差值1小于或等于第二预设阈值，则将训练数据1划分为正常数据，将其添加至正常数据集合中；或者，若第一差值大于第二预设阈值，则将第一差值对应的训练数据划分为异常数据，例如，第一差值1大于第二预设阈值，则将训练数据1划分为异常数据，将其添加至异常数据集合中。
示例性的，异常数据集合和正常数据集合如公式(4)所示：
其中，T1为正常数据集合，T2为异常数据集合，(xk,yk)为训练数据，xk为样本数据，yk为样本数据对应的真实值，为第一差值，/>为样本预测结果，T为第二预设阈值。正常数据集合和异常数据集合是关于训练数据的集合。
S330、基于所述正常数据对应的第三样本预测参数，得到第一累计概率分布，基于所述异常数据对应的第三样本预测参数，得到第二累计概率分布。
可理解的，在上述S320的基础上，终端针对训练数据集，完成正常数据集合和异常数据集合的划分后，针对正常数据集合中被定义为正常数据的每个训练数据，基于训练数据对应的第三样本预测参数计算混合高斯分布的标准差，根据混合高斯分布的标准差得到第一累计概率分布。可理解的是，基于异常数据对应的第三样本预测参数，得到第二累计概率分布的实现流程同正常数据得到第一累计概率分布，在此不作赘述。其中，累积概率分布，又称累积分布函数或分布函数，用于描述随机变量落在任一区间上的概率，可以理解为数据所代表的特征，若该变量是连续变量，则累积概率分布是由概率密度函数积分求得的函数，若该变量是离散变量，则累积概率分布是由分布律加和求得的函数。
示例性的，参见公式(5)，公式(5)为根据第三样本预测参数计算混合高斯分布的标准差的公式，异常数据和正常数据都基于公式(5)计算得到混合高斯分布的标准差。
式中，σ为根据样本预测参数计算得到的混合高斯分布的标准差。
S340、根据所述第一累计概率分布和所述第二累计概率分布，确定预设参数。
可理解的，在上述S330的基础上，终端根据第一累计概率分布和第二累计概率分布确定标准差阈值。
在一种可选的实施方式中，上述S340中确定标准差阈值具体可以通过如下步骤实现：
基于选取的目标参数、所述第一累计概率分布和所述第二累计概率分布计算得到第二差值；若所述第二差值小于第三预设阈值，则将所述目标参数确定为预设参数。
可理解的，终端确定一个目标参数，目标参数可以理解为目标标准差，该目标标准差可以理解为一个标准差变量，目标标准差可以在预设范围内进行搜索，预设范围为0和训练数据集中为最大值的混合高斯分布的标准差这两个数值之间的范围，若搜索到的某一目标标准差，使得第一累计概率分布和第二累计概率分布计算得到的第二差值小于第三预设阈值，则将该目标标准差确定为标准差阈值，其中，第三预设阈值为无限小的正数。
示例性的，确定标准差阈值的公式如公式(4)所示：
式中，σt为目标参数，cdf2为第二累计概率分布，cdf1为第一累计概率分布，cdf1(σt)表示在第一累计概率分布中目标参数的概率值，cdf2(σt)表示第二累积概率分布中目标参数的概率值，累计概率分布是关于标准差的概率分布。
本公开实施例提供了一种预设参数确定方法，基于训练完成的回归模型输出的第三样本预测参数计算样本预测结果，基于样本预测结果和真实值计算得到的第一差值，将第一差值大于第二预设阈值的训练数据划分为异常数据，将第一差值小于或等于第二预设阈值的训练数据划分为正常数据。随后针对正常数据对应的第三样本预测参数得到混合高斯分布的标准差，并基于该混合高斯分布的标准差得到第一累计概率分布，同样得到异常数据的第二累计概率分布。计算第一累计概率分布和第二累计概率分布中使判定误差最小的目标参数，并将该目标参数作为标准差阈值。本公开提供的方法，能够准确得到和回归模型相关的预设参数，预设参数用于后续检测预测结果是否是异常数据，该预测结果是基于回归模型得到的，进一步还确保了异常数据的检测准确率。
图4为本公开实施例提供的一种异常数据检测方法的流程示意图，以终端基于视频信息预测重建视频的质量得分并对预测结果进行异常数据检测为例，对异常数据检测方法进行详细说明。可理解的是，执行异常数据检测方法的终端和上述执行回归模型构建方法以及上述执行标准差阈值确定方法的终端可以相同，也可以不同，具体可根据用户业务需求自行确定，在此不作赘述。异常数据检测方法具体包括如图4所示的如下步骤S410至S440：
S410、获取待处理数据。
其中，所述待处理数据为用于视频编码的视频信息，其中，所述视频信息包括重建视频和原始视频的误差；所述预测结果为预测的所述重建视频的质量得分。
可理解的，终端获取待处理数据，待处理数据可以是用于视频编码的视频信息，该待处理数据可以理解为待处理视频信息，待处理视频信息可以和上述训练数据集中样本数据包括的信息相同，也就是为了确保回归模型预测的准确性和可使用性，待处理视频信息中至少要包括回归模型所需的输入参数，输入参数可能为多个参数，例如，待处理视频信息中包括上述实施例中回归模型在构建过程中作为输入的样本数据，所包括的视频帧率、视频分辨率以及重建视频和原始视频的SATD误差等3个参数。基于回归模型输出的预测参数得到的预测结果为预测的重建视频的质量得分。
S420、通过预先构建的回归模型对所述待处理数据进行预测，输出第一预测参数和第二预测参数。
其中，所述第一预测参数为所述待处理数据对应的子预测结果，具体的，所述第一预测参数为权重和期望值的乘积。
可理解的，在上述S410的基础上，终端通过预先构建的回归模型对待处理视频信息进行预测，输出预测参数，预测参数也就是待处理数据对应的完整预测结果的概率值所服从的混合高斯分布的参数，混合高斯分布是指上述构建的混合高斯模型的概率分布，预测参数包括权重、标准差和期望值，其中，基于预测参数可以得到第一预测参数和第一预测参数，第一预测参数为权重和期望值的乘积，第二预测参数为预测标准差。可理解的是，回归模型基于待处理数据预测得到混合高斯模型的3个参数后，会先计算权重和期望值的乘积得到第一预测参数，同时将多个标准差的和值作为第二预测参数已进行异常值检测，随后直接输出第一预测参数和第二预测参数。具体的，第一预测参数是待处理数据对应的子预测结果，完整的预测结果是由所有子预测结果得到的，每个子预测结果都是组成混合高斯模型的单一高斯模型的参数中权重和期望值的乘积，即第一预测参数的数量和单一高斯模型的数量是一一对应的。
S430、基于所述第一预测参数生成所述待处理数据对应的最终预测结果。
可理解的，在上述S420的基础上，终端得到回归模型输出的第一预测参数后，基于第一预测参数生成待处理视频信息对应的最终预测结果，最终预测结果为重建视频的质量得分。
在一种可选的实施方式中，上述S430生成最终预测结果具体可以通过下述步骤实现：
计算所有第一预测参数的和值生成所述待处理数据对应的最终预测结果，其中，所述第一预测参数为混合高斯模型的参数的乘积，所述混合高斯模型是基于所述最终预测结果构建的。
可理解的，生成最终预测结果的步骤具体参见上述公式(3)，在此不作赘述。
S440、根据所述第二预测参数和预设参数，对所述待处理数据和所述最终预测结果进行异常数据检测，所述第二预测参数为所述最终预测结果的概率分布估计值。
可理解的，在上述S420和S430的基础上，终端得到第二预测参数后，判断第二预测参数(预测标准差)是否大于预先确定的标准差阈值(预设参数)，若预测标准差大于标准差阈值，则将待处理视频信息和最终预测结果标记为异常数据，异常数据说明重建视频的质量得分比较低，也就是重建视频和原始视频的差异比较大，后续需要对重建视频进行修订或者重新构建视频，或者，回归模型不适用对该类视频信息进行预测，也就是回归模型对该类视频信息的预测准确率比较低。
本公开实施例提供了一种异常数据检测方法，获取待处理数据，待处理数据为视频解码中涉及到的视频信息，可以理解为待处理视频信息。随后通过预先构建的回归模型对待处理数据进行预测，确定预测参数，预测参数包括权重、期望值和标准差，回归模型预测的是混合高斯模型的参数，而不是预测的单一数值，该种方法能够更好的适用待处理数据中的噪声，进一步提高预测结果的准确率，计算权重和期望值的乘积得到第一预测参数，将标准差记为第二预测参数。随后，基于第一预测参数生成待处理数据对应的最终预测结果，最终预测结果为针对重建视频的质量得分，用于判断重建视频和原始视频之间的差异。若确定第二预测参数大于预先确定的标准差阈值，则认为该视频信息和预测得到的质量得分为异常数据，也就是该最终预测结果的准确度比较低，同时还可以将待处理数据和最终预测结果标记为异常数据，便于后续进行修订或者其他业务的执行，减少相关数据的无用预测，进一步也减少了工作量。因此，本公开实施例提供的方法在输出预测结果的情况下，还能准确检测出预测结果是否是异常数据。
图5为本公开实施例提供的一种异常数据检测装置的结构示意图。本公开实施例提供的异常数据检测装置可以执行异常数据检测方法实施例提供的处理流程，如图5所示，异常数据检测装置500包括获取单元510、预测单元520、生成单元530和检测单元540，其中：
获取单元510，用于获取待处理数据；
预测单元520，用于通过预先构建的回归模型对所述待处理数据进行预测，输出第一预测参数和第二预测参数，其中，所述第一预测参数为所述待处理数据对应的子预测结果；
生成单元530，用于基于所述第一预测参数生成所述待处理数据对应的最终预测结果；
检测单元540，用于根据所述第二预测参数和预设参数，对所述待处理数据和所述最终预测结果进行异常数据检测，所述第二预测参数为所述最终预测结果的概率分布估计值。
其中，第一预测参数是权重和期望值的乘积。
可选的，生成单元530具体用于：
计算所有第一预测参数的和值生成所述待处理数据对应的最终预测结果，其中，所述回归模型预测的参数为混合高斯模型的参数，所述混合高斯模型是基于所述最终预测结果构建的。
可选的，装置500还用于回归模型的构建，具体用于：
获取训练数据集，所述训练数据集包括多个训练数据，所述多个训练数据中的每个训练数据包括样本数据以及所述样本数据对应的真实结果；
构建回归模型，所述回归模型包括模型参数；
将所述样本数据对应的样本预测结果分布建模为混合高斯模型；
基于所述训练数据集、所述回归模型和所述混合高斯模型确定所述模型参数。
可选的，装置500具体用于：
通过所述回归模型根据初始模型参数和所述样本数据，确定所述混合高斯模型的第一样本预测参数；
通过所述混合高斯模型根据所述第一样本预测参数和所述样本数据对应的真实结果输出第一概率值；
根据所述第一概率值计算误差值，并根据所述误差值确定所述模型参数。
可选的，装置500具体用于：
若所述误差值大于第一预设阈值，则更新初始模型参数，得到更新后的模型参数；
通过所述回归模型根据所述更新后的模型参数，确定所述混合高斯模型的第二样本预测参数；
通过所述混合高斯模型根据所述第二样本预测参数和所述样本数据对应的真实结果输出第二概率值；
若基于所述第二概率值确定的误差值小于或等于所述第一预设阈值，则将所述更新后的模型参数确定为所述回归模型的最终模型参数。
可选的，装置500具体用于：
若所述误差值小于或等于第一预设阈值，则将所述初始模型参数确定为所述回归模型的最终模型参数。
可选的，装置500还用于确定标准差阈值，具体用于：
基于已确定最终模型参数的回归模型，确定所述混合高斯模型的第三样本预测参数；
针对所述训练数据集中的每个训练数据，根据所述第三样本预测参数和所述样本数据对应的真实结果，将所述每个训练数据划分为正常数据或异常数据；
基于所述正常数据对应的第三样本预测参数，得到第一累计概率分布，基于所述异常数据对应的第三样本预测参数，得到第二累计概率分布；
根据所述第一累计概率分布和所述第二累计概率分布，确定预设参数。
可选的，装置500具体用于：
基于所述第三样本预测参数，得到所述样本数据对应的样本预测结果；
计算所述样本预测结果和所述真实结果的第一差值；
若所述第一差值小于或等于第二预设阈值，则将所述第一差值对应的训练数据划分为正常数据；或者，若所述第一差值大于所述第二预设阈值，则将所述第一差值对应的训练数据划分为异常数据。
可选的，装置500具体用于：
基于选取的目标参数、所述第一累计概率分布和所述第二累计概率分布计算得到第二差值；
若所述第二差值小于第三预设阈值，则将所述目标参数确定为预设参数。
其中，所述待处理数据为用于视频编码的视频信息，其中，所述视频信息包括重建视频和原始视频的误差；所述预测结果为预测的所述重建视频的质量得分。
图5所示实施例的异常数据检测装置可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图6为本公开实施例中的一种电子设备的结构示意图。下面具体参考图6，其示出了适于用来实现本公开实施例中的电子设备600的结构示意图。本公开实施例中的电子设备600可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)、可穿戴电子设备等等的移动终端以及诸如数字TV、台式计算机、智能家居设备等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理以实现如本公开的实施例的异常数据检测方法。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码，从而实现如上的异常数据检测方法。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待处理数据；通过预先构建的回归模型对所述待处理数据进行预测，输出第一预测参数和第二预测参数，其中，所述第一预测参数为所述待处理数据对应的子预测结果；基于所述第一预测参数生成所述待处理数据对应的最终预测结果；根据所述第二预测参数和预设参数，对所述待处理数据和所述最终预测结果进行异常数据检测，所述第二预测参数为所述最终预测结果的概率分布估计值。
可选的，当上述一个或者多个程序被该电子设备执行时，该电子设备还可以执行上述实施例的其他步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (13)

1.一种异常数据检测方法，其特征在于，所述方法包括：
获取待处理数据；
通过预先构建的回归模型对所述待处理数据进行预测，输出第一预测参数和第二预测参数，其中，所述第一预测参数为所述待处理数据对应的子预测结果；
基于所述第一预测参数生成所述待处理数据对应的最终预测结果；
根据所述第二预测参数和预设参数，对所述待处理数据和所述最终预测结果进行异常数据检测，所述第二预测参数为所述最终预测结果的概率分布估计值。
2.根据权利要求1所述的方法，其特征在于，所述第一预测参数为权重和期望值的乘积，所述基于所述第一预测参数生成所述待处理数据对应的最终预测结果，包括：
计算所有第一预测参数的和值生成所述待处理数据对应的最终预测结果。
3.根据权利要求1所述的方法，其特征在于，所述回归模型的构建步骤包括：
获取训练数据集，所述训练数据集包括多个训练数据，所述多个训练数据中的每个训练数据包括样本数据以及所述样本数据对应的真实结果；
构建回归模型，所述回归模型包括模型参数；
将所述样本数据对应的样本预测结果分布建模为混合高斯模型；
基于所述训练数据集、所述回归模型和所述混合高斯模型确定所述模型参数。
4.根据权利要求3所述的方法，其特征在于，所述基于所述训练数据集、所述回归模型和所述混合高斯模型确定所述模型参数，包括：
通过所述回归模型根据初始模型参数和所述样本数据，确定所述混合高斯模型的第一样本预测参数；
通过所述混合高斯模型根据所述第一样本预测参数和所述样本数据对应的真实结果输出第一概率值；
根据所述第一概率值计算误差值，并根据所述误差值确定所述模型参数。
5.根据权利要求4所述的方法，其特征在于，所述根据所述第一概率值计算误差值，并根据所述误差值确定所述模型参数，包括：
若所述误差值大于第一预设阈值，则更新所述初始模型参数，得到更新后的模型参数；
通过所述回归模型根据所述更新后的模型参数，确定所述混合高斯模型的第二样本预测参数；
通过所述混合高斯模型根据所述第二样本预测参数和所述样本数据对应的真实结果输出第二概率值；
若基于所述第二概率值确定的误差值小于或等于所述第一预设阈值，则将所述更新后的模型参数确定为所述回归模型的最终模型参数。
6.根据权利要求4所述的方法，其特征在于，所述根据所述第一概率值计算误差值，并根据所述误差值确定所述模型参数，包括：
若所述误差值小于或等于第一预设阈值，则将所述初始模型参数确定为所述回归模型的最终模型参数。
7.根据权利要求3-6中任一所述的方法，其特征在于，所述预设参数的确定步骤包括：
基于已确定最终模型参数的回归模型，确定所述混合高斯模型的第三样本预测参数；
针对所述训练数据集中的每个训练数据，根据所述第三样本预测参数和所述样本数据对应的真实结果，将所述每个训练数据划分为正常数据或异常数据；
基于所述正常数据对应的第三样本预测参数，得到第一累计概率分布，基于所述异常数据对应的第三样本预测参数，得到第二累计概率分布；
根据所述第一累计概率分布和所述第二累计概率分布，确定预设参数。
8.根据权利要求7所述的方法，其特征在于，所述根据所述第三样本预测参数和所述样本数据对应的真实结果，将所述每个训练数据划分为正常数据或异常数据，包括：
基于所述第三样本预测参数计算所述样本数据对应的样本预测结果；
计算所述样本预测结果和所述真实结果的第一差值；
若所述第一差值小于或等于第二预设阈值，则将所述第一差值对应的训练数据划分为正常数据；或者，若所述第一差值大于所述第二预设阈值，则将所述第一差值对应的训练数据划分为异常数据。
9.根据权利要求7所述的方法，其特征在于，所述根据所述第一累计概率分布和所述第二累计概率分布，确定预设参数，包括：
基于选取的目标参数、所述第一累计概率分布和所述第二累计概率分布计算得到第二差值；
若所述第二差值小于第三预设阈值，则将所述目标参数确定为预设参数。
10.根据权利要求1所述的方法，其特征在于，所述待处理数据为用于视频编码的视频信息，其中，所述视频信息包括重建视频和原始视频的误差；所述待处理数据的预测结果为预测的所述重建视频的质量得分。
11.一种异常数据检测装置，其特征在于，所述装置包括：
获取单元，用于获取待处理数据；
预测单元，用于通过预先构建的回归模型对所述待处理数据进行预测，输出第一预测参数和第二预测参数，其中，所述第一预测参数为所述待处理数据对应的子预测结果；
生成单元，用于基于所述第一预测参数生成所述待处理数据对应的最终预测结果；
检测单元，用于基于所述第二预测参数和预设参数，对所述待处理数据和所述最终预测结果进行异常数据检测，所述第二预测参数为所述最终预测结果的概率分布估计值。
12.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如权利要求1至10中任一所述的异常数据检测方法。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至10中任一的异常数据检测方法的步骤。
CN202211584917.1A 2022-12-09 2022-12-09 异常数据检测方法、装置、电子设备和存储介质 Pending CN118171098A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211584917.1A CN118171098A (zh) 2022-12-09 2022-12-09 异常数据检测方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211584917.1A CN118171098A (zh) 2022-12-09 2022-12-09 异常数据检测方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN118171098A true CN118171098A (zh) 2024-06-11

Family

ID=91349566

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211584917.1A Pending CN118171098A (zh) 2022-12-09 2022-12-09 异常数据检测方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN118171098A (zh)

Similar Documents

Publication Publication Date Title
CN114091617A (zh) 联邦学习建模优化方法、电子设备、存储介质及程序产品
CN113327599B (zh) 语音识别方法、装置、介质及电子设备
CN112241761B (zh) 模型训练方法、装置和电子设备
CN110555861B (zh) 光流计算方法、装置及电子设备
CN116072108A (zh) 模型生成方法、语音识别方法、装置、介质及设备
CN118377787A (zh) 区域碳排放核算系统及方法
CN111414921B (zh) 样本图像处理方法、装置、电子设备及计算机存储介质
CN117241092A (zh) 一种视频处理方法、装置、存储介质及电子设备
CN112561779B (zh) 图像风格化处理方法、装置、设备及存储介质
CN110378936B (zh) 光流计算方法、装置及电子设备
CN116484033A (zh) 媒体素材确定方法、装置、介质及设备
CN116340632A (zh) 对象推荐方法、装置、介质及电子设备
CN111680754B (zh) 图像分类方法、装置、电子设备及计算机可读存储介质
CN118095509A (zh) 一种油井日产液量预测方法、装置及存储介质
CN111582456B (zh) 用于生成网络模型信息的方法、装置、设备和介质
CN118171098A (zh) 异常数据检测方法、装置、电子设备和存储介质
CN112418233B (zh) 图像处理方法、装置、可读介质及电子设备
CN110209851B (zh) 模型训练方法、装置、电子设备及存储介质
CN113361701A (zh) 神经网络模型的量化方法和装置
CN118536021B (zh) 基于多传感器的实时地下水水位动态监测系统
CN118331716B (zh) 异构算力集成系统下算力智能迁移方法
CN115099323B (zh) 内容小组确定方法、装置、介质及电子设备
CN118445882B (zh) 一种基于bim技术的高层建筑施工现场的管理方法及系统
CN114792258B (zh) 信息生成方法、装置、电子设备和计算机可读介质
CN111582482B (zh) 用于生成网络模型信息的方法、装置、设备和介质

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