公开(公告)号：CN118940815A

公开(公告)日：2024-11-12

申请号：CN202410989285.X

申请日：2024-07-23

Applicant: 重庆邮电大学

Inventor： 王以可 ,  刘立 ,  夏煜坤 ,  刘金玲

IPC: G06N3/082 ,  G06N3/042

Abstract: 本发明属于图神经网络解释领域，涉及一种基于代理模型的图神经网络简化解释方法，包括：获取社交网络的大型图结构数据，将社交网络的大型图结构数据输入训练好的图神经网络简化解释模型，得到解释子图；图神经网络简化解释模型的训练过程包括：获取社交网络的大型图结构数据集，即大图；将大图输入训练好的聚合切分模型，得到小图；将小图输入训练好的图神经网络模型，得到预测值；利用训练好的图神经网络模型、小图以及预测值训练解释模型，得到训练好的解释模型；本发明应用切分聚合算法形成小图，在小图上运用解释模型来间接地解释大图，在保证解释质量的同时大大减少了解释模型应用在大规模图数据集的训练时间，提高了训练效率。

公开(公告)号：CN119378659A

公开(公告)日：2025-01-28

申请号：CN202411429715.9

申请日：2024-10-14

Applicant: 重庆邮电大学

Inventor： 刘立 ,  聂文韬 ,  王以可 ,  连逸轩

IPC: G06N5/02 ,  G06N3/042 ,  G16C20/50

Abstract: 本发明涉及图神经网络(GNN)知识编辑领域，特别涉及一种基于药物毒性分类的图神经网络知识编辑方法，所述方法包括：获取待处理药物毒性分类数据集；提取对化学分子进行分类的GNN的图子网；提取图子网中仅保留药物结构特征知识化合物知识的类子网；对仅保留药物结构特征知识的类子网进行筛选提纯；对提纯后的类子网的参数进行优化；对优化目标加入约束；采用一种插件式优化的方法对模型进行优化，得到优化目标，完成知识编辑；使用本发明所述基于药物毒性分类的图神经网络知识编辑方法，可以有效向药物毒性分类模型注入新知识，大幅降低为嵌入知识而对模型进行重训练的成本，提升实际应用的可行性。

公开(公告)号：CN119358591A

公开(公告)日：2025-01-24

申请号：CN202411477215.2

申请日：2024-10-22

Applicant: 重庆邮电大学

Inventor： 刘立 ,  曹宇航 ,  王以可 ,  陈秀佳

IPC: G06N3/042 ,  G06V10/764 ,  G06N3/08 ,  G06F17/16

Abstract: 本发明属于图神经网络解释领域，具体涉及一种基于图神经网络的可解释性分子性质预测方法，包括：获取图数据G，对图数据进行迭代，生成K个关键子图；获取图神经网络图分类模型，根据图神经网络图分类模型获取节点嵌入；根据节点嵌入得到图的边掩码矩阵；将K个关键子图和掩码矩阵输入到感知器中对每个关键子图进行重要性评分，得到得分矩阵W以及图G中每条边和关键子图模式的归属关系矩阵L；将得分矩阵W和归属关系矩阵输入到掩码更新器重，得到最终掩码矩阵M；根据掩码矩阵M选择掩码值最高的topK条边生成解释子图作为图神经网络图分类模型的解释；本发明采用频繁子图挖掘算法来提取数据中重要的子图模式，从而提高了可解释准确度。

公开(公告)号：CN119418811A

公开(公告)日：2025-02-11

申请号：CN202411461690.0

申请日：2024-10-18

Applicant: 重庆邮电大学

Inventor： 刘立 ,  贺光勇 ,  王以可 ,  向可欣

IPC: G16C20/30 ,  G16C20/50 ,  G16C20/70 ,  G06N3/042 ,  G06N3/084 ,  G06N3/048

Abstract: 本发明属于药物筛选技术领域，具体涉及一种基于分布漂移一致性的可解释的药物分子性质预测方法；包括：获取药物分子图结构数据集并中挑选出待识别药物分子的正、负样本集；采用基本事后解释模型对两个样本集进行处理，得到候选解释子图集；采用代理生成器对候选解释子图集进行处理，得到代理图集；将代理图集输入到训练好的GNN模型中进行处理，得到两个样本集的药物分子性质预测结果；计算代理图对比学习损失并调整代理生成器的参数；计算预测以及获取解释子图的总损失并调整基本事后解释模型参数；重复训练直到达到预设最大迭代次数，得到训练好的预测模型；本发明显著提升了化合物生成模型和分类模型的可靠性与可解释性，使得化合物特性分析更加直观透明。

公开(公告)号：CN119323695A

公开(公告)日：2025-01-17

申请号：CN202411437681.8

申请日：2024-10-15

Applicant: 重庆邮电大学

Inventor： 刘立 ,  张菲燕 ,  王以可 ,  胡锦辉

IPC: G06V10/764 ,  G06V10/74 ,  G06V10/774 ,  G06N3/042 ,  G06N3/045 ,  G06N3/08 ,  G16C20/50 ,  G16C20/70

Abstract: 本发明属于图神经网络解释领域，涉及一种用于药物分子图结构的可解释性的参数微调方法，包括：获取药物分子图结构数据，并分解为多个子图，将多个子图嵌入空间；采用贪心策略对嵌入空间的子图进行处理生成候选语义子图集合；将候选语义子图集合输入到图分类模型中，得到最终语义子图；对药物分子图结构数据中的每个节点生成k阶诱导图；设置相似度阈值，计算k阶诱导图与最终语义子图的相似度，将所有相似度大于相似度阈值的节点所组成的结构作为关键结构；根据关键结构利用训练后的多层感知器对药物分子图结构进行解释过程中的分子权重参数进行调整，得到最优的可解释性结果；本发明能够找到更易理解的解释结果，辅助相关领域的人员进行决策。