-
公开(公告)号：CN111695011A
公开(公告)日：2020-09-22
申请号：CN202010548497.6
申请日：2020-06-16
Applicant: 清华大学
IPC: G06F16/906 , G06F16/901 , G06N3/04 , G06N3/08
Abstract: 本申请公开了一种基于张量表示的动态超图结构学习分类方法及系统，其中，该方法包括：步骤1，提取数据库中样本数据的特征向量，并根据特征向量，构建超图结构，并利用张量对超图结构中任一点集之间的连接强度进行表示；步骤2，将数据库中标签向量集合、以张量表示的超图结构以及点集的势能，引入势能损失函数和经验损失函数，生成动态超图结构学习模型，并利用交替优化法对动态超图结构学习模型进行优化求解，将模型求解后标签向量集合的最优解，用于数据分类。通过本申请中的技术方案，引入张量作为动态超图结构的表示形式以及动态超图结构学习方法，交替优化超图结构和数据的标签向量，最后根据数据标签向量的最优解实现数据分类。
-
公开(公告)号：CN115630721A
公开(公告)日：2023-01-20
申请号：CN202210483529.8
申请日：2022-05-05
Applicant: 清华大学
IPC: G06Q10/04 , G06F16/901 , G06N3/0464 , G06N3/08
Abstract: 本申请涉及时序预测技术领域，特别涉及一种基于潜在图结构生成的轨迹预测方法及装置，其中，方法包括：采集待预测目标在任一时刻的位置和速度；将任一时刻的位置和速度输入至预先训练的图循环神经网络，得到时间序列中每个或多个时刻的位置和速度；基于任一时刻的位置和速度和每个或多个时刻的位置和速度生成待预测目标的预测轨迹。由此，本申请能够实现更加准确的多元时序预测，提升轨迹预测的准确性。
-
公开(公告)号：CN115130544A
公开(公告)日：2022-09-30
申请号：CN202210480422.8
申请日：2022-05-05
Applicant: 清华大学
Abstract: 本申请涉及数据标签处理技术领域，特别涉及一种基于多头自注意力超图神经网络的数据分类方法及装置，其中，方法包括：提取至少一个样本数据的数据特征；将数据特征输入预设的基于多头自注意力机制的超图构建模块中，生成超图结构；将超图结构和数据特征输入至预设超图神经网络中，输出数据标签预测值，并基于数据标签预测值训练模型，得到用于数据分类的数据分类模型。由此，解决了相关技术中难以自适应对复杂数据和下游任务的超图建模，并且不利于优化超图结构，无法准确的建模数据关联关系，从而降低了数据标签的预测性能等问题。
-
公开(公告)号：CN114996520A
公开(公告)日：2022-09-02
申请号：CN202210483526.4
申请日：2022-05-05
Applicant: 清华大学
IPC: G06F16/901 , G06F16/906 , G06N3/04 , G06N3/08 , G06F17/16 , G06F17/18 , G06K9/62
Abstract: 本申请涉及网络推断技术领域，特别涉及一种时序数据超图结构的生成方法及装置，其中，方法包括：获取目标系统的时间序列数据；根据时间序列数据得到目标系统中变量相互作用的联合概率分布，并基于联合概率分布采样得到超图结构；将目标系统运行前序时刻的状态和超图结构输入至预设超图神经网络中，生成时序数据超图结构，以预测下一时刻目标系统的运行状态。由此，解决了相关技术中通过时序数据推断系统中变量的相互作用时，未能在保留多次观测采集的时序数据丰富信息的同时过滤与网络结构无关的噪声，并且当系统存在非线性特征时，进一步增加时序数据推断的难度，从而降低了时序数据推断的性能等问题。
-
公开(公告)号：CN109829413A
公开(公告)日：2019-05-31
申请号：CN201910071913.5
申请日：2019-01-25
Applicant: 清华大学
Abstract: 本申请公开了一种基于快速多图融合学习的立体视觉对象识别系统，该系统包括：构建模块，计算模块以及生成模块；构建模块用于根据数据库中的图像数据，分别构建数据库的至少两个数据模态的图和图矩阵；计算模块用于根据图矩阵，计算数据库对应数据模态的概率转移矩阵，计算模块还用于根据一个数据模态的图和另一个数据模态的概率转移矩阵，计算数据库对应数据模态的第一标签矩阵；生成模块用于根据至少两个数据模态的第一标签矩阵，对数据库中的未标记图像数据进行标记，生成并发送立体视觉对象识别结果。通过本申请中的技术方案，实现了不同模态数据的融合，提高不同模态数据中信息的利用率，优化了标签预测的可靠性和准确性。
-
Patent Agency Ranking
公开(公告)号：CN109829413B
公开(公告)日：2020-11-06
申请号：CN201910071913.5
申请日：2019-01-25
Applicant: 清华大学
Abstract: 本申请公开了一种基于快速多图融合学习的立体视觉对象识别系统，该系统包括：构建模块，计算模块以及生成模块；构建模块用于根据数据库中的图像数据，分别构建数据库的至少两个数据模态的图和图矩阵；计算模块用于根据图矩阵，计算数据库对应数据模态的概率转移矩阵，计算模块还用于根据一个数据模态的图和另一个数据模态的概率转移矩阵，计算数据库对应数据模态的第一标签矩阵；生成模块用于根据至少两个数据模态的第一标签矩阵，对数据库中的未标记图像数据进行标记，生成并发送立体视觉对象识别结果。通过本申请中的技术方案，实现了不同模态数据的融合，提高不同模态数据中信息的利用率，优化了标签预测的可靠性和准确性。
-
公开(公告)号：CN107731283A
公开(公告)日：2018-02-23
申请号：CN201710992065.2
申请日：2017-10-23
Applicant: 清华大学
Abstract: 本发明公开了一种基于多子空间建模的图像预选系统，所述图像预选系统包括：核磁共振影像采集设备、图像预处理装置、特征提取装置、超图构建装置、图像预选装置，核磁共振影像采集设备用于采集目标人群的大脑核磁共振影像，所述影像包含轻度认知障碍个体的大脑核磁共振影像和正常个体的大脑核磁共振影像的多参量数据；所述图像预选系统对图像进行处理、感兴趣区域提取以及超图构建，并基于所构建的超图进行图像预选。
-
公开(公告)号：CN114996520B
公开(公告)日：2025-05-02
申请号：CN202210483526.4
申请日：2022-05-05
Applicant: 清华大学
IPC: G06F16/901 , G06F16/906 , G06N3/042 , G06N3/0464 , G06N3/0455 , G06N3/044 , G06N3/084 , G06N5/04 , G06F17/16 , G06F17/18 , G06F18/2413
Abstract: 本申请涉及网络推断技术领域，特别涉及一种时序数据超图结构的生成方法及装置，其中，方法包括：获取目标系统的时间序列数据；根据时间序列数据得到目标系统中变量相互作用的联合概率分布，并基于联合概率分布采样得到超图结构；将目标系统运行前序时刻的状态和超图结构输入至预设超图神经网络中，生成时序数据超图结构，以预测下一时刻目标系统的运行状态。由此，解决了相关技术中通过时序数据推断系统中变量的相互作用时，未能在保留多次观测采集的时序数据丰富信息的同时过滤与网络结构无关的噪声，并且当系统存在非线性特征时，进一步增加时序数据推断的难度，从而降低了时序数据推断的性能等问题。
-
公开(公告)号：CN115130544B
公开(公告)日：2025-01-03
申请号：CN202210480422.8
申请日：2022-05-05
Applicant: 清华大学
IPC: G06F18/2415 , G06F18/2413 , G06F18/214 , G06N3/0464 , G06N3/084
Abstract: 本申请涉及数据标签处理技术领域，特别涉及一种基于多头自注意力超图神经网络的数据分类方法及装置，其中，方法包括：提取至少一个样本数据的数据特征；将数据特征输入预设的基于多头自注意力机制的超图构建模块中，生成超图结构；将超图结构和数据特征输入至预设超图神经网络中，输出数据标签预测值，并基于数据标签预测值训练模型，得到用于数据分类的数据分类模型。由此，解决了相关技术中难以自适应对复杂数据和下游任务的超图建模，并且不利于优化超图结构，无法准确的建模数据关联关系，从而降低了数据标签的预测性能等问题。
-
公开(公告)号：CN117556292A
公开(公告)日：2024-02-13
申请号：CN202311257515.5
申请日：2023-09-26
Applicant: 清华大学
IPC: G06F18/24 , G06N3/042 , G06N3/0464 , G06N3/084 , G06N3/048 , G06N3/0985
Abstract: 本申请涉及一种基于动态超图连续学习的连续任务数据分类方法及装置，其中，方法包括：提取数据库中连续任务数据的样本特征和样本关联矩阵；初始化超图生成模块和超图编码模块中的可学习参数，并设置超参数值；获得超图及对应的关联矩阵；计算输出样本的标签预测值；计算有标签样本的经验损失项；计算可学习参数的梯度，以进行迭代更新，直至达到预设收敛条件，得到更新后的可学习参数；计算记忆锚点的重要性，以在连续学习之后，同时对新任务和旧任务的数据进行分类。由此，解决了相关技术中，在进行增量式更新后，会大量遗忘旧任务的知识，产生灾难性遗忘问题，重新解决旧任务，会导致预测结果显著下降等问题。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.015 seconds)
