具有国际影响力的系统过程的大数据计算方法

大数据是通过统计理解管理情况分配的。为了支持国家自然科学基金会的“大数据驱动的管理和决策”的主要研究计划，研究小组包括数学统计数据和科学理论方法，以克服主要的科学问题，例如共享计算，终极高维建模，并失去其状态和国家的国家和状态，确立了大型数据计算理论和程序的国际影响力。传统的集中计算方法存在已知问题，例如低计算效率和高隐私风险，并且分布式计算方法通常用于处理这种情况。包含“片段”信息和确保统计检查结果的准确性已成为一个重大挑战的程度。以前分布式计算通常使用“ aritmic平均”或“最佳代表”来合并信息，而ITS推理和可靠性是无效的。直到今天，研究团队已经提出了基于权重方法的共享统计数据，并且理论上证明了共享的统计数据具有出色的数学属性和计算性能。此外，研究团队还考虑了在实际情况下数据异质性的可用性，并基于最佳权衡策略建立了共同的统计数据和有效性理论。该研究系列不仅为塑造计算和联合机器学习提供了基本的理论指南，而且还为开发高效，安全和测量的数据智能系统奠定了基础。管理决策情况中的大数据通常显示出很少的属性，并且存在诸如数据丢失和不确定性之类的问题，从而对理论建模的准确性造成了严重的挑战并做出科学决策。例如，研究小组从托管教授质地的决策情况是，数据丢失与各种因素（例如用户特征和产品特征）密切相关，并且应“非随机丢失”，而不是以前被认为是“随机缺失”。基于此，研究团队在非错过的情况下具有创新的一系列矩阵填充方法。这是Pumuno的一种方式，它是由数据完全驱动的，而没有关于丢失机制的假设。新的“无模型”方法不依赖任何以前的信息，即使缺少机制完全未知，也可以实现有效，准确的缺失值完成。上述研究的结果建立了国际影响力的理论和系统。同时，研究团队已经对主要行业和普通业务的成就进行了实践验证和展示，这些成就充分证明了支持基础研究在主要行业中的作用。