KR20220116727A - 다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법 및 시스템 - Google Patents

다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법 및 시스템 Download PDF

Info

Publication number
KR20220116727A
KR20220116727A KR1020210019934A KR20210019934A KR20220116727A KR 20220116727 A KR20220116727 A KR 20220116727A KR 1020210019934 A KR1020210019934 A KR 1020210019934A KR 20210019934 A KR20210019934 A KR 20210019934A KR 20220116727 A KR20220116727 A KR 20220116727A
Authority
KR
South Korea
Prior art keywords
parametric
variate
entropy
variables
dependent
Prior art date
Application number
KR1020210019934A
Other languages
English (en)
Other versions
KR102535613B1 (ko
Inventor
황유민
이병탁
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020210019934A priority Critical patent/KR102535613B1/ko
Priority to US17/489,265 priority patent/US11789956B2/en
Publication of KR20220116727A publication Critical patent/KR20220116727A/ko
Application granted granted Critical
Publication of KR102535613B1 publication Critical patent/KR102535613B1/ko

Links

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2453—Query optimisation
    • G06F16/24534—Query rewriting; Transformation
    • G06F16/24542—Plan optimisation
    • G06F16/24545—Selectivity estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법이 제공된다. 상기 방법은 이산 시계열 데이터 및 연속 시계열 데이터 중 적어도 하나로 구성된 N개(N은 자연수)의 다변량 세트가 저장된 데이터베이스를 입력받는 단계; 상기 다변량 세트가 저장된 데이터베이스에서 독립 변량, 종속 변량 및 매개 변량으로 구성되는 시험변량 세트를 선택하는 단계; 상기 선택된 시험변량 세트를 대상으로 전송 엔트로피 및 조건부 전송 엔트로피를 이용하여 매개 변량을 판별하는 단계; 및 상기 판별된 매개 변량을 대상으로 매개 영향도를 산출하는 단계를 포함한다.

Description

다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법 및 시스템{METHOD AND SYSTEM FOR EXTRACTING MEDIATOR VARIABLE AND MEDIATATION EFFECT FROM MULTIVARIATE SET}
본 발명은 다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법 및 시스템에 관한 것이다.
사물인터넷 센서, 소셜 미디어, 웹 등을 통해 데이터 수집이 용이해지면서 빅데이터가 형성되고 있으며, 빅데이터 분석을 통해 사회경제적 부가가치를 창출할 수 있는 다양한 요소를 추출할 수 있다.
그러나 수집된 데이터 중 일부는 수집 과정에서 다양한 이유로 누락되거나 신뢰할 수 없는 데이터로 구성되기도 하며, 이러한 결측 데이터는 빅데이터 분석 성능을 통계적인 측면에서 저하시킬 수 있는 요인으로 작용한다.
결측치를 보정 또는 예측하기 위한 기존의 방법으로는, 10% 미만의 결측 비율을 갖는 데이터를 단순 제거하여 신뢰할 수 있는 데이터만을 사용하는 방법을 취하거나, 10% 이상의 결측 비율을 갖는 데이터의 경우 hot deck, deep learning regression, model based method 등을 이용하여 결측치를 보정할 수 있다.
그러나 완전한 데이터 셋을 구축하거나, 고신뢰성의 미래의 값을 예측하기 위해서, 전술한 결측지 보정 또는 예측 방법은 신뢰도 및 정확도 면에서 개선이 요구된다.
공개특허공보 제10-2019-0062413호(2019.06.05)
본 발명이 해결하고자 하는 과제는 다변량(multivariate) 시계열 데이터에서 종속 변량이 독립 변량으로부터 매개 변량을 통해 간접적으로 인과적 영향을 받을 때, 다변량 세트에서 매개 변량을 추출하고, 다변량에 대해 특정 변량이 미래의 값을 형성하는데 있어 제3의 변량으로부터의 인과적 영향을 받는지 여부를 판단하는, 다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법 및 시스템을 제공하는 것을 목적으로 한다.
또한, 본 발명의 실시예는 매개변량 및 매개 영향도 정보를 인공지능 그래프 신경망(Graph Neural Network, GNN)의 입력 데이터로 연계되어 특정 변량의 미래의 값을 예측 또는 결측치를 보정하여 완전한 데이터 셋을 구축할 수 있도록 하는 것을 목적으로 한다.
다만, 본 발명이 해결하고자 하는 과제는 상기된 바와 같은 과제로 한정되지 않으며, 또다른 과제들이 존재할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 제1 측면에 따른 다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법은 이산 시계열 데이터 및 연속 시계열 데이터 중 적어도 하나로 구성된 N개(N은 자연수)의 다변량 세트가 저장된 데이터베이스를 입력받는 단계; 상기 다변량 세트가 저장된 데이터베이스에서 독립 변량, 종속 변량 및 매개 변량으로 구성되는 시험변량 세트를 선택하는 단계; 상기 선택된 시험변량 세트를 대상으로 전송 엔트로피 및 조건부 전송 엔트로피를 이용하여 매개 변량을 판별하는 단계; 및 상기 판별된 매개 변량을 대상으로 매개 영향도를 산출하는 단계를 포함하되, 상기 매개 영향도는 상기 매개 변량의 개별 인과 영향도 및 집단 인과 영향도로 구분되어 산출된다.
또한, 본 발명의 제2 측면에 따른 다변량 세트에서의 매개 변량 및 매개 영향도 추출 시스템은 다변량 세트에서의 매개 변량 및 매개 영향도를 추출하기 위한 프로그램이 저장된 메모리 및 상기 메모리에 저장된 프로그램을 실행시키는 프로세서를 포함한다. 이때, 상기 프로세서는 상기 프로그램을 실행시킴에 따라, 이산 시계열 데이터 및 연속 시계열 데이터 중 적어도 하나로 구성된 N개(N은 자연수)의 다변량 세트가 저장된 데이터베이스에서 독립 변량, 종속 변량 및 매개 변량으로 구성되는 시험변량 세트를 선택하고, 상기 선택된 시험변량 세트를 대상으로 전송 엔트로피 및 조건부 전송 엔트로피를 이용하여 매개 변량을 판별한 후, 상기 판별된 매개 변량을 대상으로 매개 영향도를 산출하고, 상기 매개 영향도는 상기 매개 변량의 개별 인과 영향도 및 집단 인과 영향도로 구분되어 산출된다.
상술한 과제를 해결하기 위한 본 발명의 다른 면에 따른 컴퓨터 프로그램은, 다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법을 실행하며, 컴퓨터 판독가능 기록매체에 저장된다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
상술한 본 발명에 따라 도출되는 매개 행렬은 다변량이 자신의 미래의 값을 형성하는데 간접적인 인과 관계가 있는 변량을 포착하고, 인과 영향도를 수치화한 값을 포함하므로, 단순 연결 정보만 기록하는 기존의 인접 행렬 대비 장점이 있다.
또한, 본 발명의 일 실시예에 의해 도출되는 매개 행렬은 다변량 시계열 데이터 뿐만 아니라, 이미지, 소셜 네트워크, 통계 데이터, 분자 구조 등 객체들과 그 객체들 간의 관계로 표현되는 데이터에 대한 간접적인 인과 영향도를 표현할 수 있다는 장점이 있다.
이와 더불어, 본 발명에 따라 도출되는 매개 행렬은 인공지능 그래프 신경망의 입력데이터로 연계되어 특정 변량의 미래의 값을 예측 또는 결측치를 보정하여 완전한 데이터셋을 구축하는 등 다양한 분야에 응용 및 적용될 수 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법의 순서도이다.
도 2는 독립, 종속 및 매개 변량 간 인과 관계의 일 예시를 도시한 도면이다.
도 3은 전송 엔트로피를 설명하기 위한 도면이다.
도 4는 조건부 전송 엔트로피를 설명하기 위한 도면이다.
도 5는 독립, 종속 및 매개 변량 간의 간접 및 직접 인과관계를 설명하기 위한 도면이다.
도 6은 매개 변량의 집단 인과 영향도를 설명하기 위한 도면이다.
도 7은 4 종의 다변량에 대한 매개 행령의 일 예시를 도시한 도면이다.
도 8은 본 발명의 일 실시예에 따른 다변량 세트에서의 매개 변량 및 매개 영향도 추출 시스템의 블록도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
본 발명은 다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법 및 시스템(100)에 관한 것이다.
본 발명의 일 실시예는 다변량 시계열에서 결측치 보정 또는 데이터 예측 신뢰도를 개선하기 위해, 다변량에서 독립 변량과 종속 변량의 인과적 영향관계에 관여하는 매개 변량을 추출 및 판별하는 것을 특징으로 한다.
또한, 매개 변량이 종속 변량에게 미치는 간접적 인과 영향도를 산출하며, 매개 변량이 다수로 판별되는 경우 판별된 경우 판별된 모든 매개 변량에 대한 집단적 인과 영향도를 산출하며, 최종적으로는 매개 변량의 개별 및 집단 인과 영향도에 대한 매개 행렬을 생성하는 것을 특징으로 한다.
이하, 첨부된 도면을 참고하여 본 발명의 일 실시예에 따른 다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법에 대하여 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법의 순서도이다.
한편, 도 1에 도시된 각 단계는 다변량 세트에서의 매개 변량 및 매개 영향도 추출 시스템(100)에 의해 수행되는 것으로 이해될 수 있으나, 반드시 이에 한정되는 것은 아니다.
본 발명의 일 실시예는 이산 시계열 데이터 및 연속 시계열 데이터 중 적어도 하나로 구성된 N개(N은 자연수)의 다변량 세트가 저장된 데이터베이스를 입력받는 단계(S110)와, 상기 다변량 세트가 저장된 데이터베이스에서 독립 변량, 종속 변량 및 매개 변량으로 구성되는 시험변량 세트를 선택하는 단계(S120)와, 상기 선택된 시험변량 세트를 대상으로 전송 엔트로피 및 조건부 전송 엔트로피를 이용하여 매개 변량을 판별하는 단계(S130)와, 상기 판별된 매개 변량을 대상으로 매개 영향도를 산출하는 단계(S140)를 포함하여 구성된다.
먼저, 시스템(100)은 이산 시계열 데이터 및 연속 시계열 데이터 중 적어도 하나로 구성된 N개(N은 자연수)의 다변량 세트가 저장된 데이터베이스를 입력받는다(S110).
본 발명의 설명에서는 다변량 데이터베이스는 이산 시계열(discrete time series) 데이터를 중심으로 설명하였으나 반드시 이에 한정되는 것은 아니며, 다변량 데이터베이스는 연속 시계열(continuous time series) 데이터도 포함될 수 있음은 물론이다.
데이버테이스에는 N개의 다변량 세트
Figure pat00001
가 포함될 수 있으며, 변량
Figure pat00002
는 다음 식 1과 같이 임베딩(embedding)되거나 임베딩 벡터를 가질 수 있다.
[식 1]
Figure pat00003
위 식 1에서,
Figure pat00004
는
Figure pat00005
의 요소(element)를 나타내며, 이는 시간
Figure pat00006
에 대한
Figure pat00007
의 값이다. 또한,
Figure pat00008
은 임베딩 차원이며,
Figure pat00009
는 시간 스케일링 값을 나타낸다. 이후 설명의 편의를 위해
Figure pat00010
로 한다.
다음으로, 시스템(100)은 다변량 세트가 저장된 데이터베이스에서 독립 변량, 종속 변량 및 매개 변량으로 구성되는 시험변량 세트를 선택한다(S120).
시험 변량은 독립 변량(independent variable), 종속 변량(dependent variable), 매개 변량(mediator variable)으로 구성되며, 다변량 세트
Figure pat00011
에서 하나의 시험 변량 세트
Figure pat00012
을 선택할 수 있다. 이때, 주어진 다변량 세트에서 선택 가능한 시험 변량 세트의 총 개수는 nP3(P는 순열함수)개이다. 한편, 시험변량 세트의 선택은 다변량 세트에서 매개 변량 및 매개 영향도(매개 효과, mediation effect)가 모두 산출될 때까지 반복 수행된다(S150).
다음으로, 시스템(100)은 선택된 시험변량 세트를 대상으로 전송 엔트로피 및 조건부 전송 엔트로피를 이용하여 매개 변량을 판별한다(S130).
S130 단계에서는 전송 엔트로피(transfer entropy)와 조건부 전송 엔트로피(conditional transfer entropy)를 이용하여 시험 변량으로 선택된 독립 및 종속 변량에 대한 매개 변량을 판별한다.
도 2는 독립, 종속 및 매개 변량 간 인과 관계의 일 예시를 도시한 도면이다.
매개 변량은 독립 변량과 종속 변량 사이에서 두 변량이 간접적으로 인과 관계를 갖도록 매개하는 변량으로, 변량 간 인과 관계를 파악하는데 중요한 역할을 한다. 본 발명에서는 매개 변량을 판별하는 것뿐만 아니라, 매개 변량이 종속 변량에게 미치는 인과 영향을 수치화하는 것을 기술적 특징으로 한다.
도 3은 전송 엔트로피를 설명하기 위한 도면이다.
전송 엔트로피는 다변량 세트 간 엔트로피 관계를 분석하여, 종속 변량이 미래의 값을 형성할 때의 독립 변량으로부터의 인과 영향도를 나타낸다.
구체적으로 전송 엔트로피를 산출하기 위해서는 미리 알고 있는 종속 변량 조건에서 미래 변량의 엔트로피를 산출하고, 미리 알고 있는 종속 변량 및 독립 변량 조건에서의 상기 미래 변량의 엔트로피를 산출한 후, 이들 간의 차이에 기초하여 산출할 수 있다.
도 3에서는 종속 변량
Figure pat00013
가 미래의 변량
Figure pat00014
를 형성할 때 독립 변량
Figure pat00015
로부터의 인과 영향(
Figure pat00016
)을 나타낸다. 여기서 k 및 l은 각각 변량
Figure pat00017
및
Figure pat00018
에 대한 임베딩 차원을 의미하며, 설명의 편의를 위해 시간 지연(래그; lag) h는 1로 가정하도록 한다. 이 경우, 종속 변량 및 독립 변량 세트
Figure pat00019
의 전송 엔트로피
Figure pat00020
는 정보이론에 따라 다음 식 2와 같이 산출될 수 있다.
[식 2]
Figure pat00021
①
Figure pat00022
: 변량
Figure pat00023
에 대한 "정보의 불확실성" 또는 "평균 정보량"을 의미하며 이를 통칭하여 "엔트로피"라고 한다.
②
Figure pat00024
:
Figure pat00025
를 알고있을 때
Figure pat00026
의 엔트로피를 의미한다.
③
Figure pat00027
:
Figure pat00028
와
Figure pat00029
를 알고있을 때
Figure pat00030
의 엔트로피를 나타낸다.
④
Figure pat00031
:
Figure pat00032
를 알고있을 때
Figure pat00033
과
Figure pat00034
간 상호 정보(mutual information)이며, 본 발명에서는 이 상호 정보를 상호 의존도 또는 인과 영향도라고 표현한다. 만약 상호 정보가 0이라면,
Figure pat00035
는
Figure pat00036
와 인과 영향도가 없거나, 또는
Figure pat00037
와
Figure pat00038
간 인과 영향도가
Figure pat00039
와
Figure pat00040
간 인과 영향도에 포함되기 때문에,
Figure pat00041
를 알고있는 경우에는
Figure pat00042
는
Figure pat00043
를 예측하는데 사용될 수 없다. " (transfer entropy; TE) [Terry Bossomaier, Lionel Barnett, Michael Harr
Figure pat00044
, and Joseph T Lizier. Transfer entropy. In An introduction to transfer entropy, pages 65-95. Springer, 2016.]"
도 4는 조건부 전송 엔트로피를 설명하기 위한 도면이다.
조건부 전송 엔트로피는 독립 변량 및 종속 변량을 제외한 제3의 변량이 종속 변량에게 미치는 인과적 영향을 배제한 전송 엔트로피를 의미한다. 조건부 전송 엔트로피는 종속 변량 및 제3의 변량 조건에서의 종속 변량에 대한 미래 변량의 엔트로피와, 미리 알고 있는 독립, 종속 및 제3의 변량 조건에서의 상기 미래 변량의 엔트로피 간의 차이에 기초하여 산출할 수 있다.
일 예로, 종속 변량 및 독립 변량 세트
Figure pat00045
가 있을 때, 제3의 변량
Figure pat00046
이 종속 변량
Figure pat00047
에게 인과적 영향을 미치는 것을 제외하고, 독립 변량이 종속 변량에게 얼마만큼의 인과 영향이 있는지 산출할 수 있으며, 이 경우 조건부 전송 엔트로피를
Figure pat00048
로 표현한다. 이때, 식 3에서 m은 각각 변량
Figure pat00049
에 대한 임베딩 차원을 의미하며, 설명의 편의를 위해 시간 지연(래그; lag) h는 1로 가정하도록 한다.
[식 3]
Figure pat00050
도 5는 독립, 종속 및 매개 변량 간의 간접 및 직접 인과관계를 설명하기 위한 도면이다.
도 5는 독립 변량 Y가 종속 변량 X에게 미치는 인과 영향이 간접 인과 영향과 직접 인과 영향으로 분리되어 표현되는 것을 도시한 도면이다. 이때, 간접 인과 영향 ④는 매개 변량 Z에 의해서 Y→Z→X로의 인과 영향 흐름에 해당한다. 본 발명에서는 매개 변량 Z가 종속 변량 X에게 간접 인과 영향(④)을 유발하는지 여부를 다음 식 4를 기반으로 판별할 수 있다.
[식 4]
Figure pat00051
즉, 전송 엔트로피와 조건부 전송 엔트로피 간의 차이가 미리 설정된 임계값 이상이면 제3의 변량은 독립 변량 및 종속 변량에 대한 매개 변량인 것으로 판별할 수 있다.
여기에서
Figure pat00052
는 전송 엔트로피,
Figure pat00053
는 조건부 전송 엔트로피,
Figure pat00054
은
Figure pat00055
값이 존재하는지 여부를 판단하기 위한 임계값을 나타낸다. 만약,
Figure pat00056
값이 임계값 이상이면 변량 Z는 독립 변량 Y 및 종속 변량 X에 대한 매개 변량으로 판별된다.
다음으로, 시스템(100)은 판별된 매개 변량을 대상으로 매개 영향도를 산출한다(S140). 이때, 매개 영향도는 매개 변량의 개별 인과 영향도와 집단 인과 영향도로 구분되어 산출될 수 있다.
매개 변량의 개별 인과 영향도는 단일 변량
Figure pat00057
이 매개 변량이 되어 인과 영향을 미치는 정도를 의미한다. 개별 인과 영향도는 위 식 4와 동일하게 전송 엔트로피와 판별된 매개 변량에 상응하는 조건부 전송 엔트로피 간의 차이를 기반으로 다음 식 5와 같이 산출될 수 있다.
[식 5]
Figure pat00058
도 6은 매개 변량의 집단 인과 영향도를 설명하기 위한 도면이다.
매개 변량의 집단 인과 영향도는 두 개 이상의 변량 세트
Figure pat00059
가 매개 변량이 되어 집단적인 인과 영향을 미치는 정도를 나타내는 지표로, 도 6과 같이 다수의 매개 변량이 종속 변량 X에 대해 하나의 간접 인과 영향으로 표현될 수 있다.
매개 변량의 집단 인과 영향도는 전송 엔트로피와, 복수의 매개 변량이 포함된 매개 변량 세트에 상응하는 조건부 전송 엔트로피 간의 차이에 기초하여 다음 식 6과 같이 산출될 수 있다.
[식 6]
Figure pat00060
이와 같이 매개 변량 및 매개 변량에 상응하는 매개 영향도가 산출되고 나면, 독립 변량과 종속 변량 및 이에 상응하는 매개 변량을 대상으로 매개 행렬을 생성할 수 있다(S160).
도 7은 4 종의 다변량에 대한 매개 행령의 일 예시를 도시한 도면이다.
예를 들어, 변량 A, B, C, D로 구성된 다변량 데이터 세트를 대상으로 생성한 매개 행렬의 일 예시는 도 7과 같다. 독립 변량 A와 종속 변량 B의 경우 매개 변량은 C와 D가 가능하다. 이 경우, 도 7에서 C는 0.1의 인과 영향을 미치고 있으므로 기 설정한 임계값 0.01을 상회하여 매개 변량으로 정의된다. 또한, C와 D가 동시에 미치는 집단 인과 영향도는 0.22에 해당한다.
본 발명의 결과물인 판별된 매개 변량과 개별 및 집단 인과 영향도는 다변량이 자신의 미래의 값을 형성하는데 간접적인 인과관계가 있는 변량을 포착하고, 인과 영향도를 수치화한 값을 포함하기 때문에, 단순 연결 정보만 기록하는 기존의 인접 행렬과 대비되며, 아래 표 1과 같은 차별점을 가지고 있다.
인과 영향 방향 인과 영향도 표현 직접적 인과 추출 하이퍼파라메터
최적화
인접 행렬 쌍방향 on/off(0 또는 1) X X
매개 행렬
(본 발명)		 단방향 또는
쌍방향 모두
표현 가능		 0 이상의 실수 O O
한편, 상술한 설명에서, 단계 S110 내지 S160은 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다. 아울러, 기타 생략된 내용이라 하더라도 도 1 내지 도 7의 내용은 후술하는 도 8의 다변량 세트에서의 매개 변량 및 매개 영향도 추출 시스템(100)에도 적용된다.도 8은 본 발명의 일 실시예에 따른 다변량 세트에서의 매개 변량 및 매개 영향도 추출 시스템(100)의 블록도이다.
본 발명의 일 실시예에 따른 다변량 세트에서의 매개 변량 및 매개 영향도 추출 시스템(100)은 메모리(110) 및 프로세서(120)를 포함한다.
메모리(110)에는 다변량 세트가 포함된 데이터베이스가 저장되어 있으며, 다변량 세트에서의 매개 변량 및 매개 영향도를 추출하기 위한 프로그램이 저장되고, 프로세서(120)는 메모리(110)에 저장된 프로그램을 실행시킨다.
프로세서(120)는 상기 프로그램을 실행시킴에 따라, 이산 시계열 데이터 및 연속 시계열 데이터 중 적어도 하나로 구성된 N개(N은 자연수)의 다변량 세트가 저장된 데이터베이스에서 독립 변량, 종속 변량 및 매개 변량으로 구성되는 시험변량 세트를 선택하고, 선택된 시험변량 세트를 대상으로 전송 엔트로피 및 조건부 전송 엔트로피를 이용하여 매개 변량을 판별한 후, 판별된 매개 변량을 대상으로 매개 영향도를 산출한다.
이상에서 전술한 본 발명의 일 실시예에 따른 다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법은, 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.
상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, Ruby, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.
상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 매개 변량 및 매개 영향도 추출 시스템
110: 메모리
120: 프로세서

Claims (16)

  1. 컴퓨터에 의해 수행되는 방법에 있어서,
    이산 시계열 데이터 및 연속 시계열 데이터 중 적어도 하나로 구성된 N개(N은 자연수)의 다변량 세트가 저장된 데이터베이스를 입력받는 단계;
    상기 다변량 세트가 저장된 데이터베이스에서 독립 변량, 종속 변량 및 매개 변량으로 구성되는 시험변량 세트를 선택하는 단계;
    상기 선택된 시험변량 세트를 대상으로 전송 엔트로피 및 조건부 전송 엔트로피를 이용하여 매개 변량을 판별하는 단계; 및
    상기 판별된 매개 변량을 대상으로 매개 영향도를 산출하는 단계를 포함하되,
    상기 매개 영향도는 상기 매개 변량의 개별 인과 영향도 및 집단 인과 영향도로 구분되어 산출되는 것인,
    다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법.
  2. 제1항에 있어서,
    상기 선택된 시험변량 세트를 대상으로 전송 엔트로피 및 조건부 전송 엔트로피를 이용하여 매개 변량을 판별하는 단계는,
    상기 다변량 세트 간 엔트로피 관계를 분석하여, 상기 종속 변량이 미래의 값을 형성할 때의 독립 변량으로부터의 인과 영향도를 나타내는 전송 엔트로피를 산출하는 단계; 및
    상기 독립 변량 및 종속 변량을 제외한 제3의 변량이 상기 종속 변량에게 미치는 인과적 영향을 배제한 전송 엔트로피인 조건부 전송 엔트로피를 산출하는 단계를 포함하는,
    다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법.
  3. 제2항에 있어서,
    상기 전송 엔트로피를 산출하는 단계는,
    미리 알고있는 상기 종속 변량 조건에서 미래 변량의 엔트로피와, 상기 미리 알고있는 종속 변량 및 독립 변량 조건에서의 상기 미래 변량의 엔트로피 간의 차이에 기초하여 상기 전송 엔트로피를 산출하는 것인,
    다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법.
  4. 제2항에 있어서,
    상기 조건부 전송 엔트로피를 산출하는 단계는,
    미리 알고있는 상기 종속 변량 및 제3의 변량 조건에서의 종속 변량에 대한 미래 변량의 엔트로피와, 상기 미리 알고 있는 상기 독립 변량, 종속 변량 및 제3의 변량 조건에서의 상기 미래 변량의 엔트로피 간의 차이에 기초하여 상기 조건부 전송 엔트로피를 산출하는 것인,
    다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법.
  5. 제2항에 있어서,
    상기 선택된 시험변량 세트를 대상으로 전송 엔트로피 및 조건부 전송 엔트로피를 이용하여 매개 변량을 판별하는 단계는,
    상기 전송 엔트로피와 조건부 전송 엔트로피 간의 차이가 미리 설정된 임계값 이상이면 제3의 변량은 상기 독립 변량 및 종속 변량에 대한 매개 변량인 것으로 판별하는 것인,
    다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법.
  6. 제5항에 있어서,
    상기 판별된 매개 변량을 대상으로 매개 영향도를 산출하는 단계는,
    상기 전송 엔트로피와 상기 판별된 매개 변량에 상응하는 조건부 전송 엔트로피 간의 차이를 개별 인과 영향도로 산출하는 단계를 포함하는,
    다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법.
  7. 제5항에 있어서,
    상기 판별된 매개 변량을 대상으로 매개 영향도를 산출하는 단계는,
    상기 전송 엔트로피와 복수의 매개 변량이 포함된 매개 변량 세트에 상응하는 조건부 전송 엔트로피 간의 차이를 집단 인과 영향도로 산출하는 단계를 포함하는,
    다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법.
  8. 제1항에 있어서,
    상기 독립 변량과 종속 변량 및 이에 상응하는 매개 변량을 대상으로 매개 행렬을 생성하는 단계를 더 포함하는,
    다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법.
  9. 제1항에 있어서,
    상기 선택된 시험변량 세트를 대상으로 전송 엔트로피 및 조건부 전송 엔트로피를 이용하여 매개 변량을 판별하는 단계는,
    상기 다변량 세트의 모든 변량 조합에 따라 선택된 시험변량 세트를 대상으로 반복하여 수행되는 것인,
    다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법.
  10. 다변량 세트에서의 매개 변량 및 매개 영향도를 추출하기 위한 프로그램이 저장된 메모리 및 상기 메모리에 저장된 프로그램을 실행시키는 프로세서를 포함하는 시스템에 있어서,
    상기 프로세서는 상기 프로그램을 실행시킴에 따라, 이산 시계열 데이터 및 연속 시계열 데이터 중 적어도 하나로 구성된 N개(N은 자연수)의 다변량 세트가 저장된 데이터베이스에서 독립 변량, 종속 변량 및 매개 변량으로 구성되는 시험변량 세트를 선택하고, 상기 선택된 시험변량 세트를 대상으로 전송 엔트로피 및 조건부 전송 엔트로피를 이용하여 매개 변량을 판별한 후, 상기 판별된 매개 변량을 대상으로 매개 영향도를 산출하고,
    상기 매개 영향도는 상기 매개 변량의 개별 인과 영향도 및 집단 인과 영향도로 구분되어 산출되는 것인,
    다변량 세트에서의 매개 변량 및 매개 영향도 추출 시스템.
  11. 제10항에 있어서,
    상기 프로세서는 상기 다변량 세트 간 엔트로피 관계를 분석하여, 상기 종속 변량이 미래의 값을 형성할 때의 독립 변량으로부터의 인과 영향도를 나타내는 전송 엔트로피를 산출하고, 상기 독립 변량 및 종속 변량을 제외한 제3의 변량이 상기 종속 변량에게 미치는 인과적 영향을 배제한 전송 엔트로피인 조건부 전송 엔트로피를 산출하는 것인,
    다변량 세트에서의 매개 변량 및 매개 영향도 추출 시스템.
  12. 제11항에 있어서,
    상기 프로세서는 미리 알고있는 상기 종속 변량 조건에서 미래 변량의 엔트로피와, 상기 미리 알고있는 종속 변량 및 독립 변량 조건에서의 상기 미래 변량의 엔트로피 간의 차이에 기초하여 상기 전송 엔트로피를 산출하는 것인,
    다변량 세트에서의 매개 변량 및 매개 영향도 추출 시스템.
  13. 제11항에 있어서,
    상기 프로세서는 미리 알고있는 상기 종속 변량 및 제3의 변량 조건에서의 종속 변량에 대한 미래 변량의 엔트로피와, 상기 미리 알고 있는 상기 독립 변량, 종속 변량 및 제3의 변량 조건에서의 상기 미래 변량의 엔트로피 간의 차이에 기초하여 상기 조건부 전송 엔트로피를 산출하는 것인,
    다변량 세트에서의 매개 변량 및 매개 영향도 추출 시스템.
  14. 제11항에 있어서,
    상기 프로세서는 상기 전송 엔트로피와 조건부 전송 엔트로피 간의 차이가 미리 설정된 임계값 이상이면 제3의 변량은 상기 독립 변량 및 종속 변량에 대한 매개 변량인 것으로 판별하는 것인,
    다변량 세트에서의 매개 변량 및 매개 영향도 추출 시스템.
  15. 제14항에 있어서,
    상기 프로세서는 상기 전송 엔트로피와 상기 판별된 매개 변량에 상응하는 조건부 전송 엔트로피 간의 차이를 개별 인과 영향도로 산출하고, 상기 전송 엔트로피와 복수의 매개 변량이 포함된 매개 변량 세트에 상응하는 조건부 전송 엔트로피 간의 차이를 집단 인과 영향도로 산출하는 것인,
    다변량 세트에서의 매개 변량 및 매개 영향도 추출 시스템.
  16. 제15항에 있어서,
    상기 프로세서는 상기 독립 변량과 종속 변량 및 이에 상응하는 매개 변량을 대상으로 매개 행렬을 생성하여 제공하는 것인,
    다변량 세트에서의 매개 변량 및 매개 영향도 추출 시스템.
KR1020210019934A 2021-02-15 2021-02-15 다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법 및 시스템 KR102535613B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210019934A KR102535613B1 (ko) 2021-02-15 2021-02-15 다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법 및 시스템
US17/489,265 US11789956B2 (en) 2021-02-15 2021-09-29 Method and system for extracting mediator variable and mediation influence from multivariate set

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210019934A KR102535613B1 (ko) 2021-02-15 2021-02-15 다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20220116727A true KR20220116727A (ko) 2022-08-23
KR102535613B1 KR102535613B1 (ko) 2023-05-23

Family

ID=82801365

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210019934A KR102535613B1 (ko) 2021-02-15 2021-02-15 다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법 및 시스템

Country Status (2)

Country Link
US (1) US11789956B2 (ko)
KR (1) KR102535613B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190062413A (ko) 2016-10-05 2019-06-05 코쿠리츠켄큐카이하츠호진 죠호츠신켄큐키코 인과 관계 인식 장치 및 그것을 위한 컴퓨터 프로그램

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10460008B2 (en) * 2013-03-14 2019-10-29 Hrl Laboratories, Llc Predicting system trajectories toward critical transitions
US11543814B2 (en) 2015-09-29 2023-01-03 Asml Netherlands B.V. Methods of modelling systems or performing predictive maintenance of lithographic systems
KR101741248B1 (ko) 2016-09-29 2017-05-31 중앙대학교 산학협력단 복수의 변수를 이용한 인과관계 추정 방법 및 장치
WO2018071344A1 (en) * 2016-10-10 2018-04-19 Utilidata, Inc. Systems and methods for system measurements integrity determination
KR102511927B1 (ko) 2018-01-18 2023-03-21 한국전자통신연구원 Jit 컴파일 기반 데이터베이스 시스템, 이의 질의 처리 방법 및 이의 저장 프로시저 최적화 방법
US11406316B2 (en) * 2018-02-14 2022-08-09 Cerenion Oy Apparatus and method for electroencephalographic measurement
KR102501530B1 (ko) 2018-12-31 2023-02-21 한국전자통신연구원 시계열 데이터 처리 장치 및 이의 동작 방법
KR102203895B1 (ko) 2019-02-20 2021-01-15 성균관대학교산학협력단 임베딩 기반의 인과 관계 탐지 시스템과 방법 및 이를 실행하기 위한 프로그램이 기록된 기록매체

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190062413A (ko) 2016-10-05 2019-06-05 코쿠리츠켄큐카이하츠호진 죠호츠신켄큐키코 인과 관계 인식 장치 및 그것을 위한 컴퓨터 프로그램

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
J. Runge, Quantifying information transfer and mediation along causal pathways in complex systems, Phys. Rev. E Vol.92, 062829(2015)* *
M. Lucchini et al., Transfer Entropy Modeling of Newborn Cardiorespiratory Regulation, Front. Physiol. Vol.11, 1095(2020)* *

Also Published As

Publication number Publication date
US11789956B2 (en) 2023-10-17
US20220261401A1 (en) 2022-08-18
KR102535613B1 (ko) 2023-05-23

Similar Documents

Publication Publication Date Title
CN109165664B (zh) 一种基于生成对抗网络的属性缺失数据集补全与预测方法
CN111352965B (zh) 序列挖掘模型的训练方法、序列数据的处理方法及设备
JP2006268558A (ja) データ処理方法及びプログラム
CN111310918B (zh) 一种数据处理方法、装置、计算机设备及存储介质
CN115051929B (zh) 基于自监督目标感知神经网络的网络故障预测方法及装置
CN110689427A (zh) 一种基于生存分析的消费分期违约概率模型
CN112261448A (zh) 视频播放时长的确定方法、装置、设备及介质
CN111260082A (zh) 一种基于神经网络的空间对象运动轨迹曲线预测方法
CN112817563B (zh) 目标属性配置信息确定方法、计算机设备和存储介质
CN116821646A (zh) 数据处理链构建方法、数据缩减方法、装置、设备及介质
CN117371508A (zh) 模型压缩方法、装置、电子设备以及存储介质
CN112580798A (zh) 基于多输入多输出ResNet的设备智能预警方法
CN116304341A (zh) 基于用户网络大数据的欺诈判别方法及系统
CN111862260A (zh) 基于跨域对偶生成式对抗网络的偏见消除方法与装置
CN116582349A (zh) 基于网络攻击图的攻击路径预测模型生成方法及装置
CN113807452B (zh) 一种基于注意力机制的业务过程异常检测方法
KR102535613B1 (ko) 다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법 및 시스템
CN115174421B (zh) 基于自监督解缠绕超图注意力的网络故障预测方法及装置
CN116467466A (zh) 基于知识图谱的编码推荐方法、装置、设备及介质
CN115022194B (zh) 基于sa-gru的网络安全态势预测方法
CN115604131A (zh) 一种链路流量预测方法、系统、电子设备及介质
CN115860141A (zh) 一种自动化机器学习交互式黑箱可视建模方法及系统
CN111737319B (zh) 用户集群的预测方法、装置、计算机设备和存储介质
CN115348485A (zh) 设备监测数据的处理方法、装置、计算机设备和程序产品
CN114970674A (zh) 一种基于关联度对齐的时序数据概念漂移适配方法

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant