-
公开(公告)号：CN114330496A
公开(公告)日：2022-04-12
申请号：CN202111434145.9
申请日：2021-11-29
Applicant: 吉林大学
Abstract: 本发明公开了一种基于模体结构增强的图聚类方法。图数据不仅包含数据的特征信息，而且数据与数据之间也存在着联系，也就是结构信息。本发明旨在克服现有技术存在的对图数据在聚类方面挖掘图数据模式信息不足以及没有充分利用神经网络去深入学习图数据的表示的问题，该方法的步骤为：1.由图增强模块基于模体对图数据的结构进行增强得到增强后的邻接矩阵；2.将增强后的邻接矩阵以及图数据原有的特征矩阵输入到深度表示学习模块去学习获得图数据有效表示；3.使用自监督模块统一深度自编码器和图自编码器学习到的表示；4.利用获得到的图数据表示去做聚类预测。
-
公开(公告)号：CN114330496B
公开(公告)日：2024-08-13
申请号：CN202111434145.9
申请日：2021-11-29
Applicant: 吉林大学
IPC: G06F18/2323 , G06F18/23213 , G06N3/0464 , G06N3/0455 , G06N3/0895
Abstract: 本发明公开了一种基于模体结构增强的图聚类方法。图数据不仅包含数据的特征信息，而且数据与数据之间也存在着联系，也就是结构信息。本发明旨在克服现有技术存在的对图数据在聚类方面挖掘图数据模式信息不足以及没有充分利用神经网络去深入学习图数据的表示的问题，该方法的步骤为：1.由图增强模块基于模体对图数据的结构进行增强得到增强后的邻接矩阵；2.将增强后的邻接矩阵以及图数据原有的特征矩阵输入到深度表示学习模块去学习获得图数据有效表示；3.使用自监督模块统一深度自编码器和图自编码器学习到的表示；4.利用获得到的图数据表示去做聚类预测。
-
公开(公告)号：CN115409119A
公开(公告)日：2022-11-29
申请号：CN202211077575.4
申请日：2022-09-05
Applicant: 吉林大学
Abstract: 发明公开了一种面向分布外泛化的领域感知稳定元学习方法，本发明属于迁移学习领域。本发明所要解决的技术问题是大多数元学习方法假设基模型在训练过程中可以访问域标签，但这个假设在许多真实的应用程序场景中是十分苛刻的，导致模型难以应用和部署。此外，现有的元学习方法侧重于缩小数据级域转移，而忽略了任务级域转移会导致不充分的泛化甚至会发生负迁移现象。因此，本发明提出一种面向分布外泛化的领域感知稳定元学习方法，使模型捕获具有强分布外泛化能力的域不变表示。本发明包括：一个任务构建模块，用于构建具有多样性的任务，一个域感知的转换模块用于获得元表示和伪域标签，以及一个交叉熵损失和域对齐约束进一步提升模型的泛化能力。
-
公开(公告)号：CN120068929A
公开(公告)日：2025-05-30
申请号：CN202510220962.6
申请日：2025-02-27
Applicant: 吉林大学
Abstract: 本发明公开了一种基于能量评估与传播的分布外节点检测方法，本发明属于深度学习领域。本发明所解决的技术问题是现实场景中的图数据通常随着外部知识的不断获取而持续扩展，新节点与原始节点之间的分布差异可能导致现有的图神经网络方法效果下降。同时，现有基于softmax置信度分数的分布外检测方法可能会导致分布外数据出现过度自信的后验分布问题。因此，本发明提出了一种基于能量评估与传播的分布外节点检测方法，赋予图神经网络识别分布外节点的能力。本发明包括：一个基于能量的分布外评估模块，用于为不同节点分配相应的能量值，一个结构感知的能量传播模块，用于实现有效的能量聚合，一个联合对齐正则化模块，用于进一步指导的学习过程。
-
-
-
Search Results
4
records
(took 0.014 seconds)
