申请/专利权人：东北大学

申请日：2023-12-26

公开（公告）日：2024-03-29

公开（公告）号：CN117787379A

主分类号：G06N3/082

分类号：G06N3/082;G06N3/042;G06F18/2411;G06F18/22;G06F18/214

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.16#实质审查的生效;2024.03.29#公开

摘要：本发明提供一种基于Transform和对比学习的异构图神经网络容噪方法，涉及异构图神经网络技术领域。该方法首先根据节点对之间的特征相似度、转移概率和局部拓扑结构相似性对邻居节点的可信度打分，将可信度得分低于阈值的节点剪枝；构建特定于降噪场景下的Transform模型，自动的给弱噪声节点分配低的权重系数，弱化噪声节点的影响；最后在使用损失函数训练容噪异构图神经网络模型时，加入一个特定于降噪场景的对比学习损失，将目标节点与噪声节点的嵌入表示相似度降低，进一步强化容噪异构图神经网络模型的降噪能力。该方法提升异构图神经网络模型对于噪声数据的鲁棒性，使目标节点学习到干净的嵌入向量来提升下游任务的性能。

主权项：1.一种基于Transform和对比学习的异构图神经网络容噪方法，其特征在于：根据节点对之间的特征相似度、转移概率和局部拓扑结构相似性对邻居节点的可信度打分，把可信度得分低于阈值的节点剪枝；构建特定于降噪场景下的Transform模型，自动的给弱噪声节点分配低的权重系数，弱化噪声节点的影响；最后在使用损失函数训练容噪异构图神经网络模型时，加入一个特定于降噪场景的对比学习损失，将目标节点与噪声节点的嵌入表示相似度降低，进一步强化容噪异构图神经网络模型的降噪能力。

全文数据：

权利要求：

百度查询： 东北大学 基于Transform和对比学习的异构图神经网络容噪方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD