-
公开(公告)号：CN116089950A
公开(公告)日：2023-05-09
申请号：CN202310128425.X
申请日：2023-02-17
Applicant: 东北大学
IPC: G06F21/56 , G06F21/73 , G06N3/08 , G06N3/0464
Abstract: 本发明提供一种基于逆向工程的后门攻击防御方法，涉及网络表示学习技术领域。该方法主要针对图神经网络的后门攻击方法进行防御。该方法通过使用干净的图数据集训练生成特征生成器和连边生成器，恢复出后门攻击者生成的触发器；并利用恢复的触发器，重新生成后门攻击对应的数据，并通过重新生成的数据对受到后门攻击的图神经网络重新进行训练。经过该方法重新训练的图神经网络，其能抵御后门攻击，并且在干净数据集上的性能基本不受到影响。
-
公开(公告)号：CN115828988A
公开(公告)日：2023-03-21
申请号：CN202211546741.0
申请日：2022-12-05
Applicant: 东北大学
IPC: G06N3/042 , G06N3/045 , G06N3/0895
Abstract: 本发明提供一种基于自监督的异构图表示学习方法，涉及图神经网络技术领域。本发明应用到了两种学习节点表示的方法：基于元路径的方法以及基于自注意力的方法，将两个方法融合，在一定程度上吸取了两种方法的优势，既学习局部节点信息也关注高阶的语义的结构信息。且通过使互相关矩阵接近恒等矩阵作为目标函数，这使得本方法不需要负样本来维持模型的鲁棒性，而是在节点嵌入中利用对比学习的思想，在节点向量维度中进行对比学习，使互相关矩阵的对角线接近1，其他向量接近于0。这吸取了降低冗余的思想，保证了两个视角的互相关性。且让不同维度的特征尽可能表示不同的信息，从而提升特征的表征能力。
-
公开(公告)号：CN115310594A
公开(公告)日：2022-11-08
申请号：CN202210953351.9
申请日：2022-08-10
Applicant: 东北大学
Abstract: 本发明公开了一种提高网络嵌入算法可扩展性的方法，涉及网络表示学习领域；适用于大规模图网络表示学习，通过图融合、图粗化、图嵌入和嵌入细化操作，提高网络嵌入的可扩展性，并提高嵌入质量，嵌入结果可用于网络角色发现、社会推荐系统和社会影响力预测等图下游任务。通过计算原始图的标签矩阵和原始图与最粗图的映射矩阵来获得最粗图中超节点的标签，并作为以GCN为代表的有监督图嵌入算法的训练标签参与模型训练，解决了现有多层策略无法处理有监督图嵌入算法的问题。采用本方法有效的提高图嵌入算法处理大规模网络的能力，同时在大规模图数据集Friendster上进行实验验证了本方法的可扩展性。
-
公开(公告)号：CN116128670A
公开(公告)日：2023-05-16
申请号：CN202211661230.3
申请日：2022-12-23
Applicant: 东北大学
IPC: G06Q50/00 , G06N3/0464 , G06N3/096 , G06F18/22 , G06F18/23
Abstract: 本发明提供一种基于特征迁移的社交网络嵌入方法，涉及动态社交网络嵌入技术领域。该方法首先对社交网络等间隔取快照，从而得到离散的图快照序列，然后使用图卷积神经网络对快照进行表示；再针对动态社交网络演化过程中的节点、连边可能出现的不同情况，制定不同的迁移策略以及图快照之间特征迁移的迁移权重；最后针对动态社交网络演化过程中的节点、连边可能出现的不同情况，计算节点在不同情形下对应的节点表征；该方法在学习节点嵌入的过程中考虑了邻居结构之间的相似性，前一时刻图快照的节点表征作为下一时刻的图快照的节点表征，使得模型能够稳定的学习社交网络中的网络演化信息。
-
公开(公告)号：CN115205594A
公开(公告)日：2022-10-18
申请号：CN202210839548.X
申请日：2022-07-18
Applicant: 东北大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/08
Abstract: 本发明属于图像分类领域，设计了一种基于混合样本的长尾图像数据分类方法，本发明对图像分类研究中遇到的长尾训练集问题提出了一种新的解决方案，旨在使用三个具有特异化知识的专家共同辅助算法做出最终决策，避免单个模型带来的模型分类器权重偏差过大等问题。本发明适用于数据呈长尾分布的图像分类的业务场景，通过设计多个具备特定领域知识的专家，在不损失头部类分类精度的情况下，提高模型对于所有频率分布种类的分类性能，为数据长尾分布时图像分类的实际工程应用提供方案，缓解数据采集困难等问题，改进算法模型对头部类数据的过拟合情况并提高对尾部类数据的学习能力。
-
Patent Agency Ranking
公开(公告)号：CN115205592A
公开(公告)日：2022-10-18
申请号：CN202210829253.4
申请日：2022-07-15
Applicant: 东北大学
IPC: G06V10/764 , G06V10/74 , G06V10/75 , G06V10/774
Abstract: 本发明属于图像分类领域，设计了一种基于多模态数据的重平衡长尾图像数据分类方法。该方法实现图像‑文本多模态学习在长尾图像分类问题上的应用，旨在使用相对平衡且易于获得、扩展性丰富的文本数据来监督模型对图像特征的学习，通过两个阶段的训练，提高模型在所有种类上的分类效果。第一个阶段使用CLIP大规模预训练模型中的图像和文本编码器，通过对比学习的方法建立两个模态数据的关联性，增强类内图像与文本互信息的同时扩大类间差异性。第二个阶段冻结图像与文本编码器，并在图像编码器后增加了一个多层感知机，使用类平衡采样策略和重平衡损失函数训练少量周期，进一步改善模型对于尾部类的分类能力。
-
公开(公告)号：CN115203612A
公开(公告)日：2022-10-18
申请号：CN202210823400.7
申请日：2022-07-14
Applicant: 东北大学
IPC: G06F16/958 , G06N20/00
Abstract: 一种动态网络图快照切片方法，适用于动态网络采取图快照作为网络表达形式的场景，属于网络表示学习领域；使用动态网络的时间属性和拓扑结构特征作为图快照稳定性判定的依据，分别计算出图快照的网络密度以及网络权重，进而得到图快照的加权网络密度值，然后根据该值选出最佳切片步长，得出对应步长的图快照序列，进一步在社团发现、节点聚类、链路预测任务上验证了该方法的有效性。此外，还选择Vue和element‑ui技术，借助MySQL数据库存储数据，使用Javascript、Java作为编程语言开发了一个原型系统用于上述内容的可视化展示。该方法提供了一种动态网络图快照切片处理方法且具有通用性以及实际应用价值，进一步完善了目前的图快照切片处理方法。
-
公开(公告)号：CN118013123A
公开(公告)日：2024-05-10
申请号：CN202410172821.7
申请日：2024-02-07
Applicant: 东北大学
IPC: G06F16/9535 , G06N3/0895 , G06N3/0464
Abstract: 本发明提供一种基于跨尺度图对比学习的好友推荐方法，涉及网络科学技术领域。该方法具体包括：获取用户数据并对用户数据进行建模，构建图结构数据；利用随机采样增强方法对建模后的图结构数据进行数据增强；构建由两层图卷积层堆叠构成的图卷积神经网络作为编码器，利用编码器对数据增强得到的视图的节点向量进行编码，得到节点的向量表示；利用读出函数将节点的向量表示映射成图的向量表示；分别构建正负样本对，并采用信息最大化非参数互信息估计作为损失函数更新编码器和读出函数的参数，得到训练好的编码器和读出函数；利用训练好的编码器和读出函数对给定用户进行好友推荐，解决了图对比学习中忽略图的整体结构信息的问题。
-
公开(公告)号：CN117978661A
公开(公告)日：2024-05-03
申请号：CN202410016328.6
申请日：2024-01-05
Applicant: 东北大学
IPC: H04L41/12 , H04L41/16 , H04L45/02 , G06F18/23213
Abstract: 本发明提供一种基于拒绝邻域的影响力最大化方法，涉及网络信息传播技术领域。首先提出了一种节点影响力评价指标，即基于局部邻居的节点影响力评价指标。该指标通过计算节点与邻居在欧式空间中的平均距离来解决现有中心性指标粗粒度的问题。在此基础上，结合节点聚类信息提出了基于拒绝邻域的影响力最大化算法，通过设置节点的σ阶拒绝邻域来控制节点的选择，得到影响力最大化的节点集合。本发明能够根据使用者提供的网络数据为使用者进一步的数据分析提供技术支撑，并进一步的完善了当前的影响力最大化方法。
-
公开(公告)号：CN115860064A
公开(公告)日：2023-03-28
申请号：CN202211546917.2
申请日：2022-12-05
Applicant: 东北大学
IPC: G06N3/0464 , G06N3/045 , G06N3/0442 , G06N3/044 , G06N3/082 , G06F18/2415 , G06N3/047
Abstract: 本发明提供一种基于演化图卷积的动态网络嵌入方法，涉及网络表示学习技术领域。本发明GCN学习层和演化层两个部分：首先是一个两层的GCN模型，用于学习节点的特征，随着时间的演化，节点可能会发生一些变化，原有的GCN模型参数不再适用演化后的网络。然后使用RNN和多头注意力机制对GCN模型的参数进行更新，获取最新的权重矩阵，用于下一个时间序列的训练。在这个过程中，随着时间推移，历史信息也被学习到了权重之中。最后将学习到的表示用于下游任务的应用中。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.013 seconds)
