-
公开(公告)号：CN114372566A
公开(公告)日：2022-04-19
申请号：CN202210277845.X
申请日：2022-03-21
Applicant: 支付宝(杭州)信息技术有限公司 , 北京邮电大学
Abstract: 本说明书实施例公开了图数据的增广、图神经网络训练方法、装置以及设备。增广方案包括：所述图数据包括多个节点以及节点之间的边；确定所述图数据中的指定节点以及所述指定节点的邻居节点；在所述邻居节点中选择部分节点，作为待增广节点；在所述图数据中的所述待增广节点对应的路径上，选择与所述待增广节点的距离小于预设阈值的节点，作为目标节点；将所述待增广节点与所述指定节点之间的边删除，并在所述目标节点与所述指定节点之间生成新的边，以生成增广图数据。
-
公开(公告)号：CN112232492B
公开(公告)日：2022-04-12
申请号：CN202011193283.8
申请日：2020-10-30
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种基于解耦的异质网络嵌入方法、装置及电子设备，该方法包括：将从待处理异质网络获取的不同元路径下的嵌入向量输入至编码层，获得待定的共有特征向量，并基于元路径鉴别网络模型，得到该待定的共有特征向量的损失函数值；将从嵌入向量查找层获取的待定的特有特征向量与待定的共有特征向量进行合成，并基于语义鉴别网络模型，得到合成嵌入向量的损失函数值；在两个损失函数值小于或等于预设损失函数阈值时；输出该待定的共有特征向量与待定的特有特征向量，否则，调整编码层、嵌入向量查找层和生成层的参数，并重复执行将多组嵌入向量输入至编码层的步骤。从而实现在不选择元路径的前提下，保证异质网络的低维向量的准确度。
-
公开(公告)号：CN114282668A
公开(公告)日：2022-04-05
申请号：CN202111588758.8
申请日：2021-12-23
Applicant: 北京邮电大学
Abstract: 本发明公开了一种基于互信息压缩的紧致图结构学习方法，包括以下步骤：S1、以两个基础视图作为模型输入；S2、利用视图评估器分别调整两个基础视图，得到两个评估后的视图；S3、将两个评估后的视图进行自适应聚合，得到最终视图；S4、利用互信息估计器最小化两个评估后的视图和最终视图中两两视图之间的互信息，利用三折优化确保最终视图最小且充分。本发明从理论上提出了“最小充分结构”的概念，并通过理论证明，给出得到最小充分结构的方法，同时保持所学图结构在下游任务上的准确性和鲁棒性。
-
公开(公告)号：CN113515519A
公开(公告)日：2021-10-19
申请号：CN202011574363.8
申请日：2020-12-25
Applicant: 腾讯科技(深圳)有限公司 , 北京邮电大学
Abstract: 本发明实施例公开了一种图结构估计模型的训练方法、装置、设备及存储介质，其中方法包括：获取初始图以及初始图对应的标签信息；初始图包含多个节点，标签信息用于指示初始图中目标节点所属类别，目标节点为初始图的多个节点中任意一个或多个；调用图结构估计模型包括的图预测模型对初始图进行预测处理，得到初始图对应的观测信息；调用图结构估计模型包括的图估计器基于标签信息和观测信息进行估计处理得到估计图；并调用图预测模型对估计图进行预测处理，得到估计图对应的预测信息；基于估计图对应的预测信息和标签信息对图预测模型进行优化。采用本发明实施例可提供图结构估计模型的准确度。
-
-
Patent Agency Ranking
公开(公告)号：CN112699938B
公开(公告)日：2024-01-05
申请号：CN202011604370.8
申请日：2020-12-30
Applicant: 北京邮电大学
IPC: G06F18/241 , G06F18/2131 , G06N3/0464 , G06N3/043 , G06N3/045
Abstract: 本发明实施例提供了一种基于图卷积网络模型的分类方法及装置，获取目标对象的待处理特征数据，并输入至目标图卷积网络模型；目标图卷积网络模型包括多层感知器、卷积网络和特征变换层；通过多层感知器分别对每一目标对象的待处理特征数据进行非线性变换，得到该目标对象的第一特征数据；通过卷积网络，对各目标对象的第一特征数据进行特征提取，得到各目标对象的聚合特征数据；通过特征变换层分别对每一目标对象的聚合特征数据进行映射处理，得到该目标对象的类别标签；在预设的类别标签与类别的对应关系中，确定每一目标对象的类别标签对应的类别，作为该目标对象的类别。基于上述
-
公开(公告)号：CN111814853B
公开(公告)日：2023-03-21
申请号：CN202010591742.1
申请日：2020-06-24
Applicant: 北京邮电大学
IPC: G06V10/762
Abstract: 本发明实施例提供了一种数据选择偏差下的去相关聚类方法及装置，其中，方法包括：获取存在偏差的多张图像，作为样本集；基于样本集，联合优化加权后聚类算法和去相关正则项，得到最优加权后聚类算法，其中，最优加权后聚类算法是通过多次计算加权后聚类算法得到的，加权后聚类算法是通过使用去相关正则项学习得到的各样本权重，对聚类算法进行加权得到的；各样本权重为通过使用去相关正则项，对样本集中的各图像，学习本次各样本权重；通过在本次加权后聚类算法中包含的本次聚类中心和簇不是首次聚类中心和簇，并且本次聚类中心和簇与上次聚类中心和簇之间的差异小于阈值时，得到最优加权后聚类算法，以确定图像不受偏差影响的聚类中心和簇。
-
-
公开(公告)号：CN114139593A
公开(公告)日：2022-03-04
申请号：CN202111050184.9
申请日：2021-09-08
Applicant: 北京邮电大学
IPC: G06K9/62 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明实施例提供了一种去偏差图神经网络的训练方法、装置和电子设备，方法包括：将样本图数据及其对应的样本标签索引输入待训练去偏差图神经网络；基于样本图数据和样本标签索引提取需要去相关的特征变量；基于所述特征变量确定样本图数据对应的样本权重；基于特征变量和样本权重确定第一损失函数，并基于第一损失函数判断待训练去偏差图神经网络是否收敛；若收敛，确定待训练去偏差图神经网络为目标去偏差图神经网络；若未收敛，反复迭代直至收敛。该方法训练的目标去偏差图神经网络可以减小训练节点的偏差，提高了去偏差图神经网络泛化到测试节点上的效果。
-
公开(公告)号：CN111930859A
公开(公告)日：2020-11-13
申请号：CN202010750181.5
申请日：2020-07-30
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种基于异质图神经网络的节点处理方法、装置及设备，应用于计算机技术领域，该处理方法可以包括：确定所述目标节点的特征矩阵，以及针对每一元路径，确定所述目标节点在该元路径下的多个关联节点对应的组合矩阵；针对每一元路径，将所述目标节点的特征矩阵，以及所述目标节点在该元路径下的多个关联节点对应的组合矩阵，输入至预设的语义聚合模型中，得到所述目标节点在该元路径下的表示矩阵；利用预设的融合公式，对所述目标节点在每一元路径下的表示矩阵进行融合，得到所述目标节点在多个元路径下的综合表示矩阵。可见，本方案，解决了目标节点自身的特性无法突显的问题。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.066 seconds)
