-
公开(公告)号：CN114692867B
公开(公告)日：2025-01-07
申请号：CN202210293116.3
申请日：2022-03-24
Applicant: 大连理工大学
IPC: G06F18/2415 , G06F18/22 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/08 , G06Q50/00
Abstract: 本发明属于网络表示学习领域，公开了一种结合高阶结构和注意力机制的网络表示的节点分类方法，考虑到网络中的不同的高阶结构对于网络的适用性，可以自适应学习不同类型的网络数据，缓解了网络表示学习中没有考虑到高阶结构的适用性造成的性能次优问题。首先进行数据准备和数据预处理；其次，利用图卷积网络层分别提取数据的属性特征和结构特征；接着利用注意力机制学习属性特征和结构特征的相似性，并根据相似性聚合网络中每个节点邻域的表示；然后，利用图卷积操作转换为下游任务的表示；最后，利用损失函数持续更新算法模型的参数，直到得到最优的算法模型，获得高效的网络表示，可以应用于垃圾邮件识别，假新闻检测和疾病预测。
-
Patent Agency Ranking
公开(公告)号：CN120030390A
公开(公告)日：2025-05-23
申请号：CN202510198072.X
申请日：2025-02-21
Applicant: 大连理工大学
IPC: G06F18/24 , G06F18/214 , G06F17/16 , G06N3/042 , G06N3/0464 , G06N3/045
Abstract: 本发明属于图异常检测领域，提出一种基于特征分解增强的图异常检测方法。这是一种新的即插即用方法，它利用邻接矩阵特征向量中编码的邻居信息来增强图异常检测上现有方法的性能。通过对特征向量的理论分析表明，每个节点的特征向量的分量可以为其对应的邻居特征向量的线性平均值来表示。此外还证明了合并特征向量会线性增加节点的异常程度，为在异常检测中使用图谱信息提供理论基础。通过结合特征向量和节点特征矩阵，融入现有方法中，最后给出最终预测的结果。本发明从谱域的角度来优化图异常检测，考虑了图中节点特征向量和领域节点关系，并将特征和消息传递机制结合起来，提升了现有图异常检测方法的性能，并且适配大多数的图异常检测任务。
-
公开(公告)号：CN116561376A
公开(公告)日：2023-08-08
申请号：CN202310190423.3
申请日：2023-03-02
Applicant: 大连理工大学
IPC: G06F16/901 , G06F16/906 , G06F18/2415
Abstract: 本发明属于图表示学习领域，提出一种多智能体超图建模与表示方法。首先将图表示学习过程定义为多智能体的优化过程；其次，将现有超图表示学习方法中的消息传递机制作为一种智能体的交互方式；接着，设计一种基于力的智能体交互方式；最后将两种智能体交互方式在下游任务上共同优化图模型，并利用优化后的图模型输出预测结果。本发明从多智能体的角度形式化了图表示学习问题，考虑了图中节点的高阶复杂关系，并将消息传递和基于力的交互结合起来，提升了现有超图方法的性能，并且适用于复杂场景中图学习任务。
-
公开(公告)号：CN115661457A
公开(公告)日：2023-01-31
申请号：CN202211342949.0
申请日：2022-10-31
Applicant: 大连理工大学
IPC: G06V10/26 , G06V10/40 , G06N3/0464 , G06N3/08
Abstract: 本发明属于人工智能研究领域，提出一种基于网络模体图表示学习的小样本语义分割方法。本发明主要解决由于通道特征提取能力不足，导致的查询图像中通道信息丢失问题。所述方法主要包括特征提取模块、关系参考模块、隐式关系挖掘模块、多尺度交互模块和最终分割模块。该发明将查询通道特征作为节点，构造图结构，建立节点之间的关系；利用网络模体来量化节点的属性特征和结构特征，以增强通道之间的关系；最后，聚合属性特征和结构特征，并通过图表示学习来挖掘节点之间的隐式关系。该发明通过将查询通道特征的隐式关系显示化，缓解了查询图像中的信息丢失问题。
-
公开(公告)号：CN115269853A
公开(公告)日：2022-11-01
申请号：CN202210949264.6
申请日：2022-08-09
Applicant: 大连理工大学
Abstract: 本发明属于假新闻检测领域，提供了一种基于模体的异构图神经网络假新闻检测算法。首先，将社交媒体的原始数据构建成新闻异构图；其次，将所有类型的节点映射到相同的特征空间，并根据每个异构模体类型分别提取实例；接着，利用实例级注意机制将同类型的所有模体实例聚合到相应的新闻节点中以捕获关键实例信息；然后，针对不同类型的异构模体，使用语义级注意力机制自适应地聚合不同的新闻语义嵌入；最后，将新闻的表示用于下游的假新闻检测任务。本发明考虑了社交平台中大量存在的异构高阶模式，通过两层注意力机制，学习到了高效的新闻节点表示，并提高了假新闻检测的效果。
-
公开(公告)号：CN114692867A
公开(公告)日：2022-07-01
申请号：CN202210293116.3
申请日：2022-03-24
Applicant: 大连理工大学
Abstract: 本发明属于网络表示学习领域，公开了一种结合高阶结构和注意力机制的网络表示学习算法，考虑到网络中的不同的高阶结构对于网络的适用性，可以自适应学习不同类型的网络数据，缓解了网络表示学习中没有考虑到高阶结构的适用性造成的性能次优问题。首先进行数据准备和数据预处理；其次，利用图卷积网络层分别提取数据的属性特征和结构特征；接着利用注意力机制学习属性特征和结构特征的相似性，并根据相似性聚合网络中每个节点邻域的表示；然后，利用图卷积操作转换为下游任务的表示；最后，利用损失函数持续更新算法模型的参数，直到得到最优的算法模型，获得高效的网络表示，可以应用于垃圾邮件识别，假新闻检测和疾病预测。
-
-
-
-
-
Search Results
6
records
(took 0.019 seconds)
