-
公开(公告)号：CN116028638A
公开(公告)日：2023-04-28
申请号：CN202211591549.3
申请日：2022-12-12
Applicant: 重庆邮电大学
IPC: G06F16/36 , G06F16/35 , G06F40/295 , G06F18/22 , G06N3/0464
Abstract: 本发明提出一种基于多视图集成模型的可信知识图谱实体分类方法，所述方法包括获取知识图谱网络中的邻接矩阵和实体特征数据，生成知识图谱数据的原始视图；根据知识图谱关联信息计算出知识图谱实体邻接矩阵，根据知识图谱实体属性关系计算知识图谱实体特征矩阵；对知识图谱邻接矩阵构造出结构视图，对知识图谱实体特征矩阵构造出特征视图；将结构视图和原始视图输入到结构基模型中输出第一特征；将特征视图与原始视图输入到特征基模型中输出第二特征；将第一特征和第二特征输入到线性层中，集成输出知识图谱实体数据的类别。本方法利用集成模型结合结构视图与特征视图来对知识图谱实体进行分类，可充分地挖掘知识图谱数据的隐藏信息，提高鲁棒性。
-
公开(公告)号：CN114648065A
公开(公告)日：2022-06-21
申请号：CN202210240565.1
申请日：2022-03-10
Applicant: 重庆邮电大学
IPC: G06K9/62 , G06F16/901 , G06F16/906
Abstract: 本发明属于深度学习的攻击防御领域，具体涉及一种基于图纯化和决策边界的节点分类防御方法及其系统，该方法包括：获取待分类节点的数据，并对获取的数据进行格式化处理；采用攻击算法对经过格式化后的数据添加扰动信息；对添加扰动信息的数据进行图纯化处理；将图纯化处理后的数据输入到训练好的第一图节点分类模型中，得到初始分类结果；构建决策边界，根据决策边界计算初始分类结果的伪标签；将所有带伪标签的初始分类结果输入到第二图节点分类模型中，得到节点分类结果，根据分类结果对节点进行保护；本发明将受到对抗样本影响的图数据集经由图纯化操作及基于决策边界计算的自训练算法处理，最终得到具有更高鲁棒性的图节点分类模型。
-
公开(公告)号：CN113269228A
公开(公告)日：2021-08-17
申请号：CN202110421442.3
申请日：2021-04-20
Applicant: 重庆邮电大学 , 南方电网科学研究院有限责任公司
Abstract: 本发明属于图数据安全领域，具体涉及一种图网络分类模型的训练方法、装置、系统及电子设备；所述方法包括采集图数据集，并将所述图数据集划分为有标签节点和无标签节点；将有标签节点的图数据输入到分类模型进行训练；使用训练完成后的分类模型对无标签节点的图数据分类；随机从有标签节点和无标签节点中选择出对抗节点，计算对抗节点对对抗样本生成器损失函数的影响，从而产生对抗样本；将对抗样本输入到训练完成后的分类模型再次进行训练，得到增强后的分类模型；本发明用训练好的分类模型对无标签节点的标签进行预测，这样有利于解决连通性问题以及半监督学习中的低标签率问题。本发明能够有效地提高节点分类模型的鲁棒性。
-
公开(公告)号：CN113269228B
公开(公告)日：2022-06-10
申请号：CN202110421442.3
申请日：2021-04-20
Applicant: 重庆邮电大学 , 南方电网科学研究院有限责任公司
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明属于图数据安全领域，具体涉及一种图网络分类模型的训练方法、装置、系统及电子设备；所述方法包括采集图数据集，并将所述图数据集划分为有标签节点和无标签节点；将有标签节点的图数据输入到分类模型进行训练；使用训练完成后的分类模型对无标签节点的图数据分类；随机从有标签节点和无标签节点中选择出对抗节点，计算对抗节点对对抗样本生成器损失函数的影响，从而产生对抗样本；将对抗样本输入到训练完成后的分类模型再次进行训练，得到增强后的分类模型；本发明用训练好的分类模型对无标签节点的标签进行预测，这样有利于解决连通性问题以及半监督学习中的低标签率问题。本发明能够有效地提高节点分类模型的鲁棒性。
-
-
-
Search Results
4
records
(took 0.015 seconds)
