一种图数据的表示学习方法、装置、计算机设备和介质

    公开(公告)号:CN114723006B

    公开(公告)日:2024-08-13

    申请号:CN202210335754.7

    申请日:2022-03-31

    摘要: 本申请涉及一种图数据的表示学习方法、装置、设备和介质,方法包括:获取图数据中的不同节点,节点包括节点的特征信息、节点的标签信息以及节点之间的拓扑信息;采用编码网络,将特征信息和拓扑信息嵌入到潜空间中,得到潜空间样本;采用线性插值函数,根据训练集样本和潜空间样本进行插值嵌入,得到插值视图;根据插值视图得到预测数据;根据标签信息进行插值嵌入,得到插值标签;根据预测数据和所述插值标签,计算分类损失;求解学习损失的最小值,得到当前编码网络;学习损失包括分类损失;根据当前编码网络,对图数据进行特征表示。采用本方法能够提高潜在特征的判别能力,从而缓解表示坍缩的问题。

    基于双相关性降低的图深度聚类方法

    公开(公告)号:CN114861757A

    公开(公告)日:2022-08-05

    申请号:CN202210332349.X

    申请日:2022-03-31

    IPC分类号: G06K9/62 G06N3/04

    摘要: 本申请涉及一种基于双相关性降低的图深度聚类方法、装置、计算机设备和存储介质。所述方法包括:获取待聚类的原始目标关系图;基于特征相似度和图扩散,分别对原始目标关系图进行数据增强,得到分类图邻接矩阵和扩散矩阵,根据分类图邻接矩阵和高斯噪声,得到第一增广图,根据扩散矩阵和高斯噪声得到第二增广图;将第一增广图和第二增广图的特征图分别输入预先训练的双相关性降低网络进行样本层面的相关性降低和特征层面的相关性降低,得到双相关性降低特征图;对双相关性降低特征图进行图聚类,得到目标关系聚类图。采用本方法能够避免表示坍缩,提升聚类性能。

    少标记半监督学习中的插值对比学习方法

    公开(公告)号:CN114372571A

    公开(公告)日:2022-04-19

    申请号:CN202210024335.1

    申请日:2022-01-07

    IPC分类号: G06N3/08 G06K9/62

    摘要: 本发明涉及计算机视觉领域,公开了一种少标记半监督学习中的插值对比学习方法,本发明根据获取目标数据集,所述目标数据集包括未标记数据集和已标记数据集;对所述未标记数据集进行伪标记;通过标准交叉熵度量标记空间中的损失;获取样本特征的插值,并根据所述样本特征的插值构建正样本对;利用损失比度量未标记数据的相似性并进行半监督学习以输出学习结果,通过利用样本特征的插值解决不合适数据增强方法导致的样本种类改变的问题,进一步地解决了极少的有标签数据无法纠正错误的一致性正则化约束的问题。

    一种基于一致正则化的在线超限学习机目标识别方法及系统

    公开(公告)号:CN113159072A

    公开(公告)日:2021-07-23

    申请号:CN202110436775.3

    申请日:2021-04-22

    摘要: 本发明公开了一种基于一致正则化的在线超限学习机目标识别方法及系统,本发明包括进行基于单隐层前馈神经网络的分类器的学习和训练的下述步骤:针对训练图像进行特征提取,得到相应的图像特征集,并将图像特征集随机划分为多个特征子集;对所划分的特征子集,分别生成对应的近邻特征样本;将一致正则化约束引入在线超限学习目标优化函数,随机生成首先单隐层前馈神经网络的隐层节点参数,选取任一特征子集及其邻近样本进行初始化网络权重生成,基于剩余特征子集进行网络权重的迭代更新以完成基于单隐层前馈神经网络的分类器的学习与训练。本发明具有噪声容忍性强、分类识别精度高、学习速度快、任务可扩展性好的优点。

    基于交互预测的离散事件仿真管理系统和方法

    公开(公告)号:CN117891564A

    公开(公告)日:2024-04-16

    申请号:CN202410207040.7

    申请日:2024-02-26

    IPC分类号: G06F9/455 G06F9/54

    摘要: 本申请涉及一种基于交互预测的离散事件仿真管理系统和方法。所述系统包括:仿真管理器、事件管理器、实体管理器、交互预测管理器、交互预测器和仿真实体模型。本系统基于内部的交互预测器通过最小时间窗预测机制进行交互事件预测,使得交互事件的预测具备可行性,并且最小时间窗的引入,减少了非必要的事件预测,提高了交互事件预测的准度和效率。并基于内部的交互预测管理器管理系统内所有交互预测器,可以实现交互预测器的分类管理和扩展,并提供统一的访问接口,使模型开发和系统的扩展更高效,提高了离散事件仿真运行效率。

    节点预训练增强的多层级网络知识图谱归纳推理方法

    公开(公告)号:CN117332094A

    公开(公告)日:2024-01-02

    申请号:CN202311217674.2

    申请日:2023-09-20

    IPC分类号: G06F16/36 G06N5/022 G06N5/04

    摘要: 本发明公开了一种节点预训练增强的多层级网络知识图谱归纳推理方法,包括步骤:S1、对战场态势知识图谱进行预训练,得到蕴含节点结构与语义关联信息的节点嵌入表示;S2、抽取两个关系未知节点的封闭子图,然后将封闭子图中各节点的嵌入表示和位置特征拼接后作为初始特征,利用图神经网络对封闭子图进行学习,得到封闭子图的嵌入表示;再将封闭子图的嵌入表示与节点嵌入表示进行拼接,得到目标三元组的嵌入表示;S3、将封闭子图转换为关系相关图,在关系相关图的基础上,得到封闭子图的关系表示;将目标三元组的嵌入表示和封闭子图的关系表示组织在一起,预测两个节点之间最可能存在的关系。本发明能够有效提高归纳推理的精度。

    一种知识图谱归纳链接预测方法及预测系统

    公开(公告)号:CN117332093A

    公开(公告)日:2024-01-02

    申请号:CN202311217673.8

    申请日:2023-09-20

    IPC分类号: G06F16/36 G06F18/25

    摘要: 本发明公开了一种知识图谱归纳链接预测方法及预测系统,其中预测方法包括步骤:1)给定目标节点,在知识图谱中抽取两个节点之间的封闭子图;2)获取封闭子图中各节点与目标节点之间的相对位置,对封闭子图各节点进行向量化表示以获得节点位置特征;3)获取各节点的度信息并对其进行向量化表示,得到节点结构特征;4)将节点位置特征与节点结构特征进行拼接,得到节点初始特征;5)将步骤4)中得到的节点初始特征hi输入至预先构建的基于图神经网络的链接预测模型中,得到预测结果。本发明由于融合了结构特征与位置特征,可以有效提高预测精度。