公开(公告)号：CN113627479B

公开(公告)日：2024-02-20

申请号：CN202110775393.3

申请日：2021-07-09

Applicant: 中国科学院信息工程研究所

Inventor： 论志成 ,  古晓艳 ,  樊海慧 ,  李波 ,  王伟平

IPC: G06V10/774 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0895

Abstract: 本发明公开了一种基于半监督学习的图数据异常检测方法。本方法为：1)数据分批采样模块将图数据样本进行分批，然后对于每一批图数据样本，以每一图数据样本中的每个边为目标边，依据设定采样跳数h以及每跳所要选取的边数Si对该目标边的邻居进行采样，得到该目标边的h阶邻域信息；2)利用边卷积神经网络依次对每一阶邻域信息加权求和，实现对目标边的邻域信息融合；重构该目标边并计算重构误差；若该目标边的重构误差超过设定阈值，则判定该目标边为异常；3)基于重构误差设计异常检测模型的损失函数，并利用步骤2)处理后的结果对图数据样本的边进行标注后训练异常检测模型；4)利用训练后的异常检测模型对待检测的图数据进行检测。

公开(公告)号：CN117540770A

公开(公告)日：2024-02-09

申请号：CN202311546499.1

申请日：2023-11-20

Applicant: 中国科学院信息工程研究所

Inventor： 古晓艳 ,  李子威 ,  周玉灿 ,  樊海慧 ,  李波 ,  孟丹

IPC: G06N3/042 ,  G06N3/08

Abstract: 本发明涉及一种用来提升低度顶点上链路预测性能的损失函数赋权方法和系统。该方法包括：定量分析顶点级正负样本数量上的差异；以平衡顶点级正负样本数量上的差异和保持整体上正负样本数量的均衡为目标进行加权操作，并对权重进行平滑操作以降低加权操作对高度顶点的影响，得到加权方法；采用所述加权方法对损失函数中每一个负样本项进行加权，得到链路预测损失函数；将所述链路预测损失函数应用于链路预测任务，通过训练图神经网络实现链路预测。本发明以一种普遍存在于基于图神经网络的链路预测模型上的性能问题为出发点，提出了一种非参数且一般化的损失函数赋权方案，能够明显的提升低度顶点上的链路预测性能。

公开(公告)号：CN117375807A

公开(公告)日：2024-01-09

申请号：CN202311146348.7

申请日：2023-09-06

Applicant: 中国科学院信息工程研究所

Inventor： 李波 ,  杨旸 ,  侯天铭 ,  樊海慧 ,  古晓艳 ,  张金超 ,  李传荣 ,  王伟平

IPC: H04L9/08 ,  H04L9/32 ,  H04L9/30 ,  H04L9/40 ,  G06F21/60

Abstract: 本发明公开了一种基于属性加密的多用户可搜索对称加密方法，其步骤包括：1)为数据所有者生成系统密钥和属性加密密钥对；设置用户的权限及与权限相匹配的用户属性；数据所有者配置每一加密列的访问控制策略，并生成密钥K1、K2，用主私钥加密K1得到EKey，将Ekey和K2上传到云服务提供商；2)数据所有者加密具有敏感信息的各列数据并生成密态索引，将索引和密文上传至提供商；3)数据所有者审核用户申请并授权；4)用户将查询条件转换为查询令牌进行查询，解密云服务提供商返回的检索结果，得到文档标识符；5)云服务提供商根据文档标识符找到对应文档数据及密钥发送至用户，用户属性解密得到解密密钥，恢复文档明文数据。

公开(公告)号：CN114861766A

公开(公告)日：2022-08-05

申请号：CN202210387628.6

申请日：2022-04-13

Applicant: 中国科学院信息工程研究所

Inventor： 杨祎 ,  古晓艳 ,  樊海慧 ,  李波 ,  王伟平

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06Q50/00

Abstract: 本发明涉及一种基于多粒度演化的动态链路预测方法和系统。该方法包括：对动态图的每个时间片下的图进行划分，得到多粒度子图；从多粒度子图中提取节点的结构特征；从多粒度子图中学习图的动态演变规律，得到不同粒度的子图的动态演化特征，并将不同粒度的子图的动态演化特征进行融合，得到节点的动态演化特征；将节点的结构特征与节点的动态演化特征融合，得到包含时空特征的节点表示，根据包含时空特征的节点表示预测未来链路。本发明能够挖掘更丰富的图信息，从而增强对结构特征的提取能力，提高链路预测的准确率；本发明能够充分实现动态特征的融合，增强对动态特征的学习能力，进而提高了链路预测的性能。

公开(公告)号：CN113627479A

公开(公告)日：2021-11-09

申请号：CN202110775393.3

申请日：2021-07-09

Applicant: 中国科学院信息工程研究所

Inventor： 论志成 ,  古晓艳 ,  樊海慧 ,  李波 ,  王伟平

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于半监督学习的图数据异常检测方法。本方法为：1)数据分批采样模块将图数据样本进行分批，然后对于每一批图数据样本，以每一图数据样本中的每个边为目标边，依据设定采样跳数h以及每跳所要选取的边数Si对该目标边的邻居进行采样，得到该目标边的h阶邻域信息；2)利用边卷积神经网络依次对每一阶邻域信息加权求和，实现对目标边的邻域信息融合；重构该目标边并计算重构误差；若该目标边的重构误差超过设定阈值，则判定该目标边为异常；3)基于重构误差设计异常检测模型的损失函数，并利用步骤2)处理后的结果对图数据样本的边进行标注后训练异常检测模型；4)利用训练后的异常检测模型对待检测的图数据进行检测。