-
公开(公告)号：CN116861923B
公开(公告)日：2024-07-09
申请号：CN202310864902.9
申请日：2023-07-14
Applicant: 大连理工大学
IPC: G06F40/30 , G06F40/289 , G06N3/088 , G06F18/214 , G06F18/22 , G06N3/048
Abstract: 本发明属于计算机软件领域，提供了多视图无监督图对比学习模型构建方法、系统、计算机、存储介质及应用。该模型可用于多种类型的隐式关系网络挖掘，解决了挖掘隐式关系中遇到的建模关系的复杂以及缺乏可用的标签问题。该方法通过获取有效数据并进行预处理，构建多视图无监督图对比学习模型的锚定视图生成模块、语言增强视图学习模块、结构反馈对比学习模块，利用预处理的数据集对以上模型进行训练，将训练获得的最优图结构与原始图结构融合输入图编码器获得网络一般表示，利用链路预测方法预测两个节点间存在隐式关系的概率，从而实现无监督隐式关系挖掘任务。
-
公开(公告)号：CN117201122B
公开(公告)日：2024-06-14
申请号：CN202311162248.3
申请日：2023-09-11
Applicant: 大连理工大学
IPC: H04L9/40 , G06F18/213 , G06N3/048 , G06N3/088 , H04L41/16
Abstract: 本发明提出一种基于视图级图对比学习的无监督属性网络异常检测方法及系统，包括对有效数据进行预处理得到原始输入图数据集；构建目标视图和自增强视图；规范化目标视图和自增强视图，建模生成目标视图的嵌入表示和自增强视图的嵌入表示；解码自增强视图的嵌入表示，生成重构的原始输入图邻接矩阵并计算结构重构误差；解码自增强视图的嵌入表示得到重构的原始输入图节点属性矩阵并计算属性重构误差；构建异常得分函数计算每个节点的异常分数，根据每个节点的异常分数识别异常节点；联合训练得到基于视图级图对比学习的无监督属性网络异常检测模型；将待检测的属性网络输入基于视图级图对比学习的无监督属性网络异常检测模型中，得到检测结果。
-
公开(公告)号：CN116861923A
公开(公告)日：2023-10-10
申请号：CN202310864902.9
申请日：2023-07-14
Applicant: 大连理工大学
IPC: G06F40/30 , G06F40/289 , G06N3/088 , G06F18/214 , G06F18/22 , G06N3/048
Abstract: 本发明属于计算机软件领域，提供了多视图无监督图对比学习模型构建方法、系统、计算机、存储介质及应用。该模型可用于多种类型的隐式关系网络挖掘，解决了挖掘隐式关系中遇到的建模关系的复杂以及缺乏可用的标签问题。该方法通过获取有效数据并进行预处理，构建多视图无监督图对比学习模型的锚定视图生成模块、语言增强视图学习模块、结构反馈对比学习模块，利用预处理的数据集对以上模型进行训练，将训练获得的最优图结构与原始图结构融合输入图编码器获得网络一般表示，利用链路预测方法预测两个节点间存在隐式关系的概率，从而实现无监督隐式关系挖掘任务。
-
公开(公告)号：CN117201122A
公开(公告)日：2023-12-08
申请号：CN202311162248.3
申请日：2023-09-11
Applicant: 大连理工大学
IPC: H04L9/40 , G06F18/213 , G06N3/048 , G06N3/088 , H04L41/16
Abstract: 本发明提出一种基于视图级图对比学习的无监督属性网络异常检测方法及系统，包括对有效数据进行预处理得到原始输入图数据集；构建目标视图和自增强视图；规范化目标视图和自增强视图，建模生成目标视图的嵌入表示和自增强视图的嵌入表示；解码自增强视图的嵌入表示，生成重构的原始输入图邻接矩阵并计算结构重构误差；解码自增强视图的嵌入表示得到重构的原始输入图节点属性矩阵并计算属性重构误差；构建异常得分函数计算每个节点的异常分数，根据每个节点的异常分数识别异常节点；联合训练得到基于视图级图对比学习的无监督属性网络异常检测模型；将待检测的属性网络输入基于视图级图对比学习的无监督属性网络异常检测模型中，得到检测结果。
-
-
-
Search Results
4
records
(took 0.016 seconds)
