安徽农业大学金秀获国家专利权
买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
龙图腾网获悉安徽农业大学申请的专利面向多模态图谱数据的网络架构搜索同步迁移学习方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN120317331B 。
龙图腾网通过国家知识产权局官网在2025-08-22发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202510819528.X,技术领域涉及:G06N3/096;该发明授权面向多模态图谱数据的网络架构搜索同步迁移学习方法是由金秀;魏庆军;张筱丹;吴雨婷;杨维志;张德盟;饶元设计研发完成,并于2025-06-19向国家知识产权局提交的专利申请。
本面向多模态图谱数据的网络架构搜索同步迁移学习方法在说明书摘要公布了:本申请公开了面向多模态图谱数据的网络架构搜索同步迁移学习方法,该方法中,对采集的近红外光谱、拉曼光谱和显微图像进行预处理操作后分别进行特征提取,并将提取后的特征通过交叉注意力机制进行融合形成新的最优融合特征;在构建的SSL_NST模块中,通过迁移学习技术将融合后的数据集分为源域和目标域,神经网络架构搜索NAS采用包括网络搜索、微调和反馈的三阶段优化策略;在得到的目标域模型中引入损失加权优化策略,将分类损失值与样本权重之间的比例进行调整,优化融合数据模型的训练过程。本申请解决了相关技术图谱融合效率低、方法差,且在标注样本数据不足的情况下,无法构建有效模型的技术问题。
本发明授权面向多模态图谱数据的网络架构搜索同步迁移学习方法在权利要求书中公布了:1.面向多模态图谱数据的网络架构搜索同步迁移学习方法,其特征在于,包括以下步骤: 对采集的近红外光谱、拉曼光谱和显微图像进行特征提取和融合; 在构建的SSL_NST模块中,通过迁移学习将融合后的数据集分为源域和目标域,神经网络架构搜索NAS采用包括网络搜索、微调和反馈的三阶段优化策略;其中: 在网络搜索阶段,将神经网络架构搜索NAS的默认搜索空间替换为CNN与RNN结合架构空间,使用神经网络架构搜索NAS在源域数据上搜索源域模型;在微调阶段,基于源域模型利用半监督自训练算法为目标域数据赋予伪标签,并且使用主动学习中最大熵采样,筛选出伪标签数据,其中,由NAS架构生成的神经网络模型被用作分类模型S,模型S在充分学习源域数据的数据分布Px,y的基础上,通过自训练算法中的置信度阈值机制进行目标域样本筛选;先利用模型S对目标域未标记样本集合Du中的每个样本xj进行预测,得到预测结果及其对应的预测置信度confidencexj;然后设定一个置信度阈值τ,通过将每个样本的预测置信度与该阈值进行比较,筛选出置信度高于阈值的样本,筛选出的目标域样本集合Dt由所有满足confidencexj>τ条件的样本xj组成,筛选出目标域样本集合;然后,对筛选出来的目标域样本进行信息熵计算,计算信息熵的过程中,先计算目标域样本x属于各个类别c的条件概率pyc∣x,然后对每个类别的条件概率取自然对数,并乘以该条件概率后取负值,得到单个类别的不确定性贡献;最后将所有类别对应的不确定性贡献求和,得到样本x的信息熵Hx;在每次迭代t中,结合主动学习中基于不确定的最大熵采样思想对目标域数据集合Dt进行采样,基于采样函数S(Dt)得到所需的样本子集Dv=S(Dt),并将这些样本交由源域模型进行标注,赋予其伪标签; 将源域模型的网络结构进行冻结,使用筛选出的伪标签数据对源域模型进行微调,通过逐层解冻网络层、调整优化器和学习率的操作,最小化目标域损失;在反馈阶段,将微调后的模型在目标域任务上的损失作为反馈信号,作用于网络搜索的搜索策略,指导下一轮的搜索过程;在经过预设次数的迭代,搜索出的网络结构作为用于目标域任务的目标域模型。
如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人安徽农业大学,其通讯地址为:230036 安徽省合肥市蜀山区长江西路130号;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。
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。