A local multiscale probabilistic graphical model for data validation and reconstruction, and its application in industry

شناسایی و بازسازی پس از آن از داده های نامتقارن در سری زمانی با استفاده از مشاهدات اطلاعات مربوط به آماری، یک مسئله موقت در اعتبار سنجی داده ها است. بر خلاف ناهنجاری ها، مشاهدات نامتقارن لزوما به شدت توزیع داده محدود نمی شود. در عوض، این مشاهدات سرکش با توجه به اطلاعات مرتبط آماری، بعید است. این مقاله یک مدل شبکه بیسین چندتایی برای تشخیص ارزش های سرکش و بازسازی خلفی نمونه های اشتباه برای سری زمانی غیر ثابت است. روش ما مدل های شبکه محلی بیزی را ایجاد می کند که به بهترین وجه به بخش هایی از داده ها منجر می شود تا بتوانند به صورت دقیق تر به دست آید و از این رو بازسازی داده ها را بهبود می بخشد. رویکرد چندرسانه ای محلی ما در مقایسه با یک پیشگام جهانی در مقیاس جهانی (که به عنوان استاندارد طلای ما فرض می شود) در قدرت پیش بینی شده و در مقایسه با این، هر دو توانایی تشخیص خطا و قابلیت های بازپرداخت خطا ارزیابی می شود. این پارامترها و تایید مدل ها بیش از سه توپولوژی منبع داده مصنوعی مورد بررسی قرار می گیرند. فضایل الگوریتم سپس در داده های واقعی از صنعت فولاد مورد آزمایش قرار می گیرند که در آن ویژگی های ذکر شده در بالا ذکر شده است ولی حقیقت زمین شناخته شده نیست. رویکرد چند گانه محلی پیشنهاد شده با افزایش پیچیدگی در توپولوژی داده ها بهتر عمل می کند.