提示詞描述

基於鏈式協同學習框架：用於數據填補、增強和偽標籤訓練的協同流程 此框架以「基於鏈式協同」為中心，透過三個關鍵支柱，在合成數據中實現統計保真度、業務合理性和模型泛化能力的一致性方法：自動路徑追蹤（數據填補）、多模組數據生成和優化（CTGAN + 後處理），以及偽標籤驅動的多模型協同訓練。以下章節將從核心演算法、技術模組和流程實施的角度提供整合說明。 I. 核心演算法：自動路徑追蹤（數據填補邏輯） 為了解決問卷/數據中因跳轉規則缺失而導致的路徑中斷問題，設計了一種路徑追蹤和補全演算法，作為「數據填補」的核心工具。 1. 演算法步驟 • 路徑節點定義：將具有跳轉邏輯的問題抽象為節點，標記其類型（單選/多選）、邏輯屬性（必填/與後續問題相關聯）和值空間。 • 跳轉圖建模：將跳轉規則（例如，「Q1='是' → Q3」）轉換為有向邊，構建一個樹狀的「問卷邏輯跳轉圖」。 • 遍歷和檢測：從起點遍歷節點，記錄訪問路徑。如果存在未訪問的節點（路徑截斷），則表示缺少規則；如果存在重複訪問的節點（循環路徑），則表示存在邏輯矛盾。 • 路徑補全： • 截斷路徑：根據「重複原則」選擇高頻路徑，或根據「統計原則」（中位數/平均路徑長度）進行修復。 • 循環路徑：刪除重複節點後，使用截斷路徑方法完成路徑。 • 驗證和優化：檢查已完成路徑中的循環/冗餘/遺漏，調整邊權重或重新定義規則。 2. 在基於鏈式協同中的作用 為數據填補提供結構化邏輯：透過路徑追蹤識別斷裂的節點（例如，缺失的跳轉關聯），並結合統計原則完成規則，確保數據生成的完整性（例如，問卷路徑涵蓋所有合理的選項）。 II. 技術模組：數據生成和優化的數學基礎 該框架整合了機率論、最佳傳輸理論和深度學習，透過三個階段（預處理、生成和後處理）來確保數據品質。 1. 預處理：分組分位數轉換（數據標準化） • 數學原理：對於連續特徵 X，使用累積分布函數 F_X(x) 將其映射到均勻分布 U(0,1)，然後使用標準常態分布的反 CDF \Phi^{-1} 將其轉換為目標分布： X_{\text{trans}} = \Phi^{-1}(F_X(X)), \quad X_{\text{trans}c} = \Phi^{-1}(F_{X|c}(X)) （分組轉換根據離散特徵組合 c 計算條件分布 F_{X|c}）。 • 理論基礎：機率積分轉換定理 (U=F_X(X)\sim\text{Uniform}(0,1))