公开(公告)号：CN118503788A

公开(公告)日：2024-08-16

申请号：CN202410777051.9

申请日：2024-06-17

Applicant: 海南大学

Inventor： 沈笑 ,  林川云 ,  周犀

IPC: G06F18/241 ,  G06F18/2431 ,  G06F18/214 ,  G06N3/042 ,  G06N3/09

Abstract: 本发明涉及跨网络节点分类技术领域，公开了一种多源跨网络节点分类方法、设备及介质，包括：构建多源跨网络节点分类模型；模型包含图编码器和与源网络对应的节点分类器；将多个源网络和目标网络的图结构数据均输入至图编码器，生成各个源网络和目标网络的节点特征；利用节点分类器得到每个目标节点的标签预测值，并根据其熵的倒数，确定各个源网络的可转移性权重；在点‑点层面和原型‑原型层面上对每个源网络和目标网络之间进行对比域适应，以得到训练好的模型，进而预测出待测网络所有节点的类别标签结果。这样对网络结构噪声具有更强的抵抗力，能够控制不同源网络对目标网络的影响程度，减轻类内域差异，扩大类间域差异，预测结果更为准确。

公开(公告)号：CN119939320A

公开(公告)日：2025-05-06

申请号：CN202510126125.7

申请日：2025-01-27

Applicant: 海南大学

Inventor： 沈笑 ,  陈志豪 ,  周犀

IPC: G06F18/24 ,  G06F18/23 ,  G06N3/042 ,  G06N3/045 ,  G06N3/0475 ,  G06N3/094

Abstract: 本申请公开了一种开放集跨网络节点分类方法和装置，涉及机器学习领域，设计了一个先分离再域适应的框架，首先通过对抗学习构建一个粗略边界来分离未知类别和已知类别，随后分配伪标签以自训练的方式迭代训练模型，循序渐进地为分离已知类别和未知类别生成一个更精确的边界，其次在域适应阶段通过给未知类别的节点分配负的域适应系数，给已知类别节点分配正的域适应系数，使得目标网络已知类别的节点与源网络对齐，并将目标网络中未知类别的节点推离源网络，从而实现排除未知类别的对抗域对齐，进而实现开放集跨网络节点较高准确度的分类。

公开(公告)号：CN115169535A

公开(公告)日：2022-10-11

申请号：CN202210808801.5

申请日：2022-07-11

Applicant: 海南大学

Inventor： 沈笑 ,  薛鹏 ,  周犀

IPC: G06N3/04 ,  G06N3/08 ,  G06K9/62

Abstract: 本申请公开了一种跨网络节点分类方法、装置及计算机可读存储介质，涉及图神经网络领域。分别获取源网络和目标网络的节点的最终节点表征，并获取最终节点预测类别标签；将最终节点表征和最终节点预测类别标签的张量积输入至条件域鉴别器中，输出节点的域表征，根据域表征将图神经网络和条件域鉴别器对抗训练，以获取在类别条件下不同网络不可区分的节点表征。上述方案通过使用最终节点表征和最终节点预测类别标签的张量积作为条件域鉴别器的输入，能够让条件域鉴别器在类别条件下尽可能区分源网络和目标网络的节点表征，让图神经网络学习在类别条件下尽可能不可区分源网络和目标网络的节点表征，实现了源网络和目标网络的类别条件分布的对齐匹配。

公开(公告)号：CN119943138A

公开(公告)日：2025-05-06

申请号：CN202510125856.X

申请日：2025-01-27

Applicant: 海南大学

Inventor： 周犀 ,  沈笑 ,  杨静 ,  罗音

IPC: G16B20/00 ,  G16B40/00 ,  G06F16/901 ,  G06N3/045

Abstract: 本申请公开了一种水稻次级代谢物蛋白质关联预测方法和装置，涉及生物信息技术领域。所述方法包括：以水稻次级代谢物、蛋白质和功能注释作为节点，构建异质图；基于异质图聚合邻居层面的信息和关系层面的信息，学习节点嵌入表示，并添加邻居对比学习框架，指导节点嵌入表示的学习；基于节点嵌入表示，构建边表示，基于边表示预测水稻次级代谢物和蛋白质的关联。本发明通过引入异质图神经网络，能够有效整合不同类型的生物数据，捕捉复杂的多层次交互关系，显著提高了水稻次级代谢物和蛋白质关联预测的准确性和可靠性，且相较于传统的分子生物学实验大大降低了时间、金钱和人力成本。

公开(公告)号：CN116383736A

公开(公告)日：2023-07-04

申请号：CN202310426325.5

申请日：2023-04-19

Applicant: 海南大学

Inventor： 沈笑 ,  邵梦秋 ,  周犀

IPC: G06F18/2415 ,  G06F18/214 ,  G06N3/042 ,  G06N3/045 ,  G06N3/047 ,  G06N3/048 ,  G06N3/09 ,  G06N3/094

Abstract: 本申请公开了一种跨网络边分类方法、装置、设备及存储介质，涉及图神经网络领域，包括：将网络对应的信息集合输入模型得到全部节点特征；基于源网络节点特征计算节点分类损失函数；基于通过源网络节点特征学习到的源网络注意力边权重计算监督注意力损失函数；基于全部节点特征构建边特征并获取对应的边分类损失函数及域分类损失函数；基于节点分类损失函数、监督注意力损失函数、边分类损失函数、域分类损失函数确定总体损失函数，判断是否下降且收敛；若是则获取当前可学习参数对应的调整后模型对网络边进行预设分类操作。本申请利用多种损失函数值对可学习参数进行调整，学习具有类别鉴别性和网络不变性的边特征，提高目标网络边分类的准确性。

公开(公告)号：CN116304866A

公开(公告)日：2023-06-23

申请号：CN202310181765.9

申请日：2023-05-09

Applicant: 海南大学

Inventor： 沈笑 ,  薛鹏 ,  孙德望 ,  周犀

IPC: G06F18/241 ,  G06F18/2415 ,  G06F18/23213 ,  G06N3/042 ,  G06N3/047 ,  G06N3/048 ,  G06N3/0455 ,  G06N3/0895

Abstract: 本申请公开了基于图对比学习的跨网络节点分类方法、装置、设备及介质，包括：对源网络历史节点和目标网络待分类节点进行自适应边权重计算，得到源网络历史节点特征和目标网络待分类节点特征，基于源网络历史节点的标签预测概率和真实标签构建节点分类损失函数，根据源网络历史节点和目标网络待分类节点的真实域标签构建域分类损失函数；基于生成的正负样本对构建特定网络图对比损失函数和跨网络图对比损失函数；基于节点分类损失、域分类损失和图对比损失以构建目标函数；判断目标函数是否符合收敛条件，若符合，对目标网络待分类节点进行节点标签预测，能提高跨网络节点分类稳定性和网络结构噪声抵抗力，匹配源网络和目标网络类别条件分布。