公开(公告)号：CN115618939A

公开(公告)日：2023-01-17

申请号：CN202211246960.7

申请日：2022-10-12

Applicant: 安徽大学

Inventor： 王姗姗 ,  曾振 ,  杨勋 ,  张兴义 ,  马海平 ,  张丽淼

IPC: G06N3/08

Abstract: 本发明公开了一种基于自监督图学习的认知诊断方法及其应用，该方法包括：1、依据学生与习题的交互记录，习题与知识概念之间的关联关系，构建认知诊断关系图，2、构建包含嵌入层、GCN网络、诊断层、预测层的诊断网络，3、使用诊断网络对学生回答习题的正确率进行预测，使用预测结果构建交叉熵损失，4、使用基于边重要性的边删除方法为关系图随机生成两个不同的稀疏视图，计算节点在不同稀疏视图上的特征，并构建自监督损失，5、使用交叉熵损失优化整个诊断网络，使用自监督损失优化GCN网络。本发明能在训练诊断网络的过程中关注到数据稀疏的学生，从而能提高诊断网络的总体诊断水平。

公开(公告)号：CN118709757A

公开(公告)日：2024-09-27

申请号：CN202410712941.1

申请日：2024-06-04

Applicant: 安徽大学

Inventor： 王姗姗 ,  顾云鹏 ,  杨勋 ,  张兴义

IPC: G06N5/022 ,  G06N3/0455 ,  G06N3/084 ,  G06N5/04 ,  G06F16/2458 ,  G06Q50/20 ,  G06N3/048

Abstract: 本发明公开了一种基于习题不确定性关系的知识追踪方法，包括：1、将习题之间的关系建模为高斯分布；2、通过采样不确定性关系分布，利用不确定性关系得到学生对于未来题目的掌握程度用来预测未来表现；3、使用信息熵对习题不确定关系进行量化，并使用量化的不确定性对模型加权；4、通过不确定性关系训练两个模型，分别是确定模型和不确定模型，联合两个模型做出最终预测。本发明针对知识追踪任务中习题之间的不确定关系进行建模，并对其进行量化，通过量化结果改善模型训练与推理，提高了模型的预测性能。

公开(公告)号：CN118470382A

公开(公告)日：2024-08-09

申请号：CN202410514037.X

申请日：2024-04-26

Applicant: 安徽大学

Inventor： 王姗姗 ,  肖倩 ,  杨勋 ,  张兴义 ,  许柯

IPC: G06V10/764 ,  G06V10/44 ,  G06V10/82 ,  G06N3/0895

Abstract: 本发明公开了一种基于互加权特征解耦的无监督领域自适应图像分类方法，其步骤包括：1、获取具有c个类别的领域自适应图像数据集；2、构建基于互加权特征解耦的领域自适应网络模型；3、构建总体损失函数优化构建好的模型参数；4、得到最优的目标域图像分类模型。本发明通过同时学习领域不变特征和领域相关特征来减小领域间的差异，从而实现目标域图像类别的精准识别。

公开(公告)号：CN116883751A

公开(公告)日：2023-10-13

申请号：CN202310880867.X

申请日：2023-07-18

Applicant: 安徽大学 ,  合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)

Inventor： 王姗姗 ,  周浩 ,  杨勋 ,  张兴义 ,  项小书 ,  张盼盼

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/088

Abstract: 本发明公开了一种基于原型网络对比学习的无监督领域自适应图像识别方法，其步骤包括：1、定义具有c个类别的领域自适应图像数据集；2、构建基于原型网络的对比学习领域自适应网络模型；3、使用领域偏置原型建模策略和原型级别对比学习策略训练构建的网络模型；4、构建整体损失函数优化模型权重参数，得到最优的目标域图像分类模型。本发明通过探索领域间图像特征的语义结构来构建领域偏置原型，然后自适应的对齐原型以减少领域间差异，从而能实现目标域图像类别的精准识别。