-
公开(公告)号：CN117809734A
公开(公告)日：2024-04-02
申请号：CN202311860639.2
申请日：2023-12-31
Applicant: 东北林业大学
Abstract: 一种基因调控网络的降维建模方法及系统，属于基因调控网络构建技术、涉及数字医疗及人工智能等领域。本发明为了有效解决建模过程中精度与计算量之间的矛盾，在保证建模精度的条件下实现计算量的指数级降低而提出的。技术要点：首先将基因组测序数据与基因上下游先验知识进行数据融合，用于提升基因聚类的精准性，利用聚类网络对基因进行聚类，通过基因序列与先验知识对基因组进行预划分，将各基因划分到不同的小样本分支分别进行基因调控网络建模，以降低每次建模所需的计算量。然后构建各小样本分支的基因调控网络微分方程模型，最后对各分支调控网络进行整合，汇总成为该基因组基因调控网络。本发明适用于大基因组建模过程。
-
公开(公告)号：CN115831364B
公开(公告)日：2023-09-08
申请号：CN202211606506.8
申请日：2022-12-14
Applicant: 东北林业大学
IPC: G16H50/30 , G16H30/20 , G06V10/764 , G06V10/774 , G06V10/80
Abstract: 基于多模态特征融合的2型糖尿病风险分层预测方法，本发明涉及基于视网膜眼底图像2型糖尿病风险预测技术中直接利用眼底视网膜图像进行深度学习模型训练并且模型训练过程中提取的特征相关性不强，导致预测准确度不高的问题。为改善这一问题，本发明提出了一种基于多模态特征融的2型糖尿病风险预测方法，考虑到了多种模态的特征，包含临床特征、生物指标特征、血糖方面特征以及预测血糖值，将多种信息融合在一起，综合考量，提高预测患病风险的准确率。本发明应用于2型糖尿病预测风险。
-
公开(公告)号：CN116127371A
公开(公告)日：2023-05-16
申请号：CN202211554437.0
申请日：2022-12-06
Applicant: 东北林业大学
IPC: G06F18/241 , G06F18/214 , G06N3/08 , G06N3/0464
Abstract: 融合先验分布与同态混沌加密的多用户模型联合迭代方法，本发明涉及深度学习模型联合迭代技术中，用户本地数据分布差异较大以及隐私保护的问题。训练深度学习模型应用于各行各业中的不同任务处理已愈发广泛。然而模型训练依赖于足够数量与质量的数据集。然而数据经常难以采集以及隐私保护愈发重要，导致模型泛化性与准确性难以达到要求，本发明提出一种多用户模型联合迭代方法，其主要思想是利用先验分布弥合多用户本地数据分布差异，并混合两种加密技术保护数据隐私，从而实现模型联合迭代。该方法能有效降低模型训练难度，提升模型的泛化性能以及准确度。本发明应用于深度学习模型训练中的多用户模型联合迭代。
-
Patent Agency Ranking
公开(公告)号：CN117669648A
公开(公告)日：2024-03-08
申请号：CN202311542787.X
申请日：2023-11-20
Applicant: 东北林业大学
Abstract: 一种基于元路径的双通道异构图节点表示学习方法，本发明涉及在异构图节点特征传递的过程中，如何使节点特征表示更加准确与全面的问题。目前，图神经网络技术成为各行各业的重要工具。然而在许多图神经网络中，节点之间信息只逐级传递，这种逐级传递会影响节点特征的准确性；还有神经网络无法平衡整体与局部的信息。在本发明提出的方法中，通道一以引入距离权重的方式直接观测远节点特征，削减了逐级传递对特征的影响。通道二综合元路径信息，依据总体信息更新节点特征。最后将两个通道更新后的节点特征横向拼接，得到最终的节点特征表示。本方法考虑了多个角度的数据信息，有效地提升了特征提取的准确度。
-
公开(公告)号：CN117524299A
公开(公告)日：2024-02-06
申请号：CN202311542694.7
申请日：2023-11-20
Applicant: 东北林业大学
IPC: G16B15/30 , G16B40/00 , G06F16/901 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 一种基于图变换网络与图分解的异构图节点关系预测方法，本发明涉及异构图节点关系预测技术。异构图节点关系预测在推荐系统、基因疾病和药物靶点等领域都具有广泛的应用。基于相似性的方法忽略了异构图的结构关系，基于随机游走的方法在处理大规模的图时计算方法复杂。本发明结合基于相似性的方法和基于图神经网络的方法，使用图变换网络自主选取元路径，减少了人为干预。并提出一种基于度的图分解方法提取和融合节点对深层特征，综合考虑了不同重要程度的节点信息。使用多头注意力机制将子图的节点对深层特征进行融合，得到节点对的最终特征表示，输入预测模型可得到更为准确的节点关系预测结果。本发明应用于异构图节点关系预测。
-
公开(公告)号：CN116127371B
公开(公告)日：2023-09-08
申请号：CN202211554437.0
申请日：2022-12-06
Applicant: 东北林业大学
IPC: G06F18/241 , G06F18/214 , G06N3/08 , G06N3/0464
Abstract: 融合先验分布与同态混沌加密的多用户模型联合迭代方法，本发明涉及深度学习模型联合迭代技术中，用户本地数据分布差异较大以及隐私保护的问题。训练深度学习模型应用于各行各业中的不同任务处理已愈发广泛。然而模型训练依赖于足够数量与质量的数据集。然而数据经常难以采集以及隐私保护愈发重要，导致模型泛化性与准确性难以达到要求，本发明提出一种多用户模型联合迭代方法，其主要思想是利用先验分布弥合多用户本地数据分布差异，并混合两种加密技术保护数据隐私，从而实现模型联合迭代。该方法能有效降低模型训练难度，提升模型的泛化性能以及准确度。本发明应用于深度学习模型训练中的多用户模型联合迭代。
-
公开(公告)号：CN117809734B
公开(公告)日：2025-01-07
申请号：CN202311860639.2
申请日：2023-12-31
Applicant: 东北林业大学
Abstract: 一种基因调控网络的降维建模方法及系统，属于基因调控网络构建技术、涉及数字医疗及人工智能等领域。本发明为了有效解决建模过程中精度与计算量之间的矛盾，在保证建模精度的条件下实现计算量的指数级降低而提出的。技术要点：首先将基因组测序数据与基因上下游先验知识进行数据融合，用于提升基因聚类的精准性，利用聚类网络对基因进行聚类，通过基因序列与先验知识对基因组进行预划分，将各基因划分到不同的小样本分支分别进行基因调控网络建模，以降低每次建模所需的计算量。然后构建各小样本分支的基因调控网络微分方程模型，最后对各分支调控网络进行整合，汇总成为该基因组基因调控网络。本发明适用于大基因组建模过程。
-
公开(公告)号：CN115831364A
公开(公告)日：2023-03-21
申请号：CN202211606506.8
申请日：2022-12-14
Applicant: 东北林业大学
IPC: G16H50/30 , G16H30/20 , G06V10/764 , G06V10/774 , G06V10/80
Abstract: 基于多模态特征融合的2型糖尿病风险分层预测方法，本发明涉及基于视网膜眼底图像2型糖尿病风险预测技术中直接利用眼底视网膜图像进行深度学习模型训练并且模型训练过程中提取的特征相关性不强，导致预测准确度不高的问题。为改善这一问题，本发明提出了一种基于多模态特征融的2型糖尿病风险预测方法，考虑到了多种模态的特征，包含临床特征、生物指标特征、血糖方面特征以及预测血糖值，将多种信息融合在一起，综合考量，提高预测患病风险的准确率。本发明应用于2型糖尿病预测风险。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.033 seconds)
