公开(公告)号：CN113591955A

公开(公告)日：2021-11-02

申请号：CN202110819535.1

申请日：2021-07-20

Applicant: 首都师范大学 ,  厦门大学

Inventor： 刘杰 ,  金泰松 ,  蔡振辉

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种提取图数据的全局信息的方法、系统、设备及介质，其方法包括：首先，获取样本数据集和待分析图数据；其次，在预先构建的图注意力网络中，引入中心损失函数、一阶边预测损失函数以及重建损失函数，结合交叉熵损失函数构建联合损失函数；接着，基于预先构建的图注意力网络，构建自编码器；再者，依据所述样本数据集、所述联合损失函数以及自编码器对所述图注意力网络进行训练，直至满足预设条件停止训练，输出全局信息网络；最后，将所述待分析图数据输入至所述全局信息网络中，通过所述联合损失函数获得全局信息。本发明可以更多保留数据集的分布信息、结构信息以及特征信息，并依据这三类信息更加全面的描述全局信息。

公开(公告)号：CN119961457A

公开(公告)日：2025-05-09

申请号：CN202510443645.0

申请日：2025-04-10

Applicant: 厦门大学

Inventor： 金泰松 ,  高世豪 ,  纪荣嵘

IPC: G06F16/355 ,  G06F18/241 ,  G06N3/042 ,  G06N3/0895 ,  G06N3/0464

Abstract: 本发明公开了一种基于局部增强和去偏对比的论文分类方法及装置，涉及节点分类领域，包括：基于论文分类训练数据构建图数据集，为图数据集中的每个节点构建局部样本；利用每个节点的局部样本和增强策略，得到第一增强视图和第二增强视图并输入到权重共享的图编码器和线性投射层，得到对应的节点表示；根据对应的节点表示构建去偏对比损失函数，基于去偏对比损失函数对图编码器进行训练，得到经图对比学习的图编码器；获取待分类的论文集并构建得到对应的图数据集，将待分类的论文集对应的图数据集中的特征矩阵和邻接矩阵输入到经训练的论文分类模型，经过经图对比学习的图编码器和分类器，得到分类结果。本发明解决了采样偏差等问题。

公开(公告)号：CN119623513A

公开(公告)日：2025-03-14

申请号：CN202411786935.7

申请日：2024-12-06

Applicant: 厦门大学

Inventor： 晁飞 ,  谢林煌 ,  金泰松 ,  纪荣嵘

IPC: G06N3/042 ,  G06N3/0464

Abstract: 本发明提供一种基于路径的K跳超图神经网络卷积方法，包括：步骤S1、创建用于图下游任务的超图神经网络模型，初始化模型；步骤S2、获取节点(超边)间不同距离的最短路径及其中心节点或超边；步骤S3、聚合节点直接连接的超边上的节点特征；超图经过对偶变换后，超边的聚合以相同方式进行；步骤S4、获取低阶聚合后更新的节点特征，作为路径特征，供高阶HyperGINE进行节点K跳邻域的聚合；在超图数据经过对偶变换后，获取相应的不同跳的聚合表示；步骤S5、将各自K跳邻域聚合的结果进行更新；步骤S6、通过堆叠由步骤S3、S4和S5形成的KHGNN层，完成超图特征的提取，并通过与下游任务相匹配的输出网络进行任务预测。本发明可实现下游任务的高效预测。

公开(公告)号：CN116129246A

公开(公告)日：2023-05-16

申请号：CN202310170796.4

申请日：2023-02-27

Applicant: 厦门大学

Inventor： 金泰松 ,  王明凯 ,  纪荣嵘

IPC: G06V10/82 ,  G06V10/764 ,  G06N3/0464 ,  G06N3/08

Abstract: 一种基于类别可分离性的神经网络混合精度量化方法，涉及人工神经网络的压缩与加速。包括以下步骤：(1)在数据集中采样小批量的图片，并将其输入神经网络，获得逐层的特征图；(2)计算得到每层网络的类别可分离性指标；(3)根据每层网络的类别可分离性指标计算得到其重要性指标；(4)根据每层网络的重要性指标与其对应的计算量，解一个线性规划问题(以目标计算量为约束，最大化全局重要性为目标)，最终得到可靠的逐层比特数配置。(5)根据该逐层比特数配置，对网络进行量化。利用激活值的内在特征，定义类别可分离性指标，仅利用小批量数据通过模型，在短时间内便能获得适用于该模型的可靠的比特数配置。

公开(公告)号：CN114118088B

公开(公告)日：2025-04-15

申请号：CN202111241687.4

申请日：2021-10-25

Applicant: 首都师范大学 ,  厦门大学

Inventor： 刘杰 ,  华浩宇 ,  金泰松

IPC: G06F40/295 ,  G06F16/36 ,  G06N3/0464 ,  G06N3/042

Abstract: 本发明涉及一种基于超图卷积神经网络的文档级实体关系抽取方法及装置，所述方法包括：针对三元组，采用HG‑GCNN模型，获取三元组所对应的超图结构；针对超图结构，获取文档t中每个单词在待预测关系的实体对中分别每个实体下的单词的向量；基于文档中每个单词在待预测关系的实体对中分别每个实体下的单词的向量，获取第一实体e1和第二实体e2的实体关系；HG‑GCNN模型为预先建立并训练的包括有节点信息构造层、超图构造层、GCNN编码层、推理判断层的模型；节点信息构造层、超图构造层执行获取超图结构的过程，GCNN编码层执行获取文档中每个单词在每个实体下的单词的向量的过程，推理判断层执行获取预测结果的过程。

公开(公告)号：CN113591955B

公开(公告)日：2023-10-13

申请号：CN202110819535.1

申请日：2021-07-20

Applicant: 首都师范大学 ,  厦门大学

Inventor： 刘杰 ,  金泰松 ,  蔡振辉

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明涉及一种提取图数据的全局信息的方法、系统、设备及介质，其方法包括：首先，获取样本数据集和待分析图数据；其次，在预先构建的图注意力网络中，引入中心损失函数、一阶边预测损失函数以及重建损失函数，结合交叉熵损失函数构建联合损失函数；接着，基于预先构建的图注意力网络，构建自编码器；再者，依据所述样本数据集、所述联合损失函数以及自编码器对所述图注意力网络进行训练，直至满足预设条件停止训练，输出全局信息网络；最后，将所述待分析图数据输入至所述全局信息网络中，通过所述联合损失函数获得全局信息。本发明可以更多保留数据集的分布信息、结构信息以及特征信息，并依据这三类信息更加全面的描述全局信息。

公开(公告)号：CN114118088A

公开(公告)日：2022-03-01

申请号：CN202111241687.4

申请日：2021-10-25

Applicant: 首都师范大学 ,  厦门大学

Inventor： 刘杰 ,  华浩宇 ,  金泰松

IPC: G06F40/295 ,  G06F16/36 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于超图卷积神经网络的文档级实体关系抽取方法及装置，所述方法包括：针对三元组，采用HG‑GCNN模型，获取三元组所对应的超图结构；针对超图结构，获取文档t中每个单词在待预测关系的实体对中分别每个实体下的单词的向量；基于文档中每个单词在待预测关系的实体对中分别每个实体下的单词的向量，获取第一实体e1和第二实体e2的实体关系；HG‑GCNN模型为预先建立并训练的包括有节点信息构造层、超图构造层、GCNN编码层、推理判断层的模型；节点信息构造层、超图构造层执行获取超图结构的过程，GCNN编码层执行获取文档中每个单词在每个实体下的单词的向量的过程，推理判断层执行获取预测结果的过程。