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！

龙图腾网获悉厦门理工学院申请的专利基于一致性与多样性协同的图表示学习方法、装置及设备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：CN121482504B 。

龙图腾网通过国家知识产权局官网在2026-03-17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：202610007620.0，技术领域涉及：G06V10/764；该发明授权基于一致性与多样性协同的图表示学习方法、装置及设备是由肖顺鑫;黄清菊;高恒;李建敏;唐朝辉;王大寒;朱顺痣设计研发完成，并于2026-01-06向国家知识产权局提交的专利申请。

本基于一致性与多样性协同的图表示学习方法、装置及设备在说明书摘要公布了：本发明提供的基于一致性与多样性协同的图表示学习方法、装置及设备，涉及图神经网络技术领域。本发明通过获取图结构数据集；通过特征与边遮掩生成双增强视图；通过最大化语义相关节点的互信息、抑制无关节点相似度，并引入正交性约束，对两个增强图结构数据集的节点表示进行跨视图对比优化，以平衡节点级语义一致性与视图间多样性；将对比优化后的增强图与原始图分别输入共享参数的图编码器，计算并最小化两者的分布差异，得到保留原始语义信息的增强图结构数据集；然后输入图神经网络进行训练得到最优节点表示与训练好的图表示学习模型。本发明能有效平衡图表示增强过程中的一致性与多样性，提升节点分类准确率与泛化能力。

本发明授权基于一致性与多样性协同的图表示学习方法、装置及设备在权利要求书中公布了：1.一种基于一致性与多样性协同的图表示学习方法，其特征在于，包括： S1，获取待增强的原始图结构数据集，提取出初始节点特征矩阵、邻接矩阵与原始分类标签； S2，对所述初始节点特征矩阵与所述邻接矩阵分别进行特征遮掩与边遮掩，以随机丢弃部分节点特征和边，生成两个不同视图的增强图结构数据集； S3，通过最大化语义相关节点的互信息、抑制无关节点相似度，并结合所述原始分类标签引入正交性约束，对两个不同视图的增强图结构数据集的节点表示进行跨视图对比优化，以平衡节点级语义一致性与视图间多样性； S4，将对比优化后的增强图结构数据集与所述原始图结构数据集分别输入共享参数的图编码器，计算并最小化增强视图与原始视图的表示分布差异，得到保留原始语义信息的增强图结构数据集； S5，将保留原始语义信息的增强图结构数据集输入图神经网络模型进行图表示学习与训练，以优化数据集的图表示，得到最优节点表示与训练好的图表示学习模型，用于节点分类任务预测； 其中，通过最大化语义相关节点的互信息、抑制无关节点相似度，具体为： 首先，计算节点对的互信息，表达式为： ； 其中，表示节点i的特征表示；表示节点j的正样本特征；表示节点特征表示与节点正样本特征的互信息；表示SoftPlus函数；为神经网络构建的判别器，为判别器参数；表示负样本分布的期望；为从负样本分布中采样得到的负样本特征； 然后通过跨视图协同损失函数最小化互信息损失，表达式为： ； 其中，为跨视图协同损失； 结合所述原始分类标签引入正交性约束，具体为： 在单一增强视图内，首先依据所述原始分类标签构建同类节点对与异类节点对； 然后进行对比优化损失训练，对对比优化模型的每层权重矩阵施加正交正则化约束，通过正交性损失函数拉近同类节点特征、推远异类节点特征，以维持节点特征的多样性，避免过度平滑；所述正交性损失函数的表达式为： ； 其中，为正交性损失；为超参数，用于控制正交约束强度；为对比优化模型第层的权重矩阵；为第层的可学习标量，用于控制权重矩阵范数；为单位矩阵；为矩阵的Frobenius范数；为转置符号。

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厦门理工学院，其通讯地址为：361024 福建省厦门市集美区理工路600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”。

以上内容由龙图腾AI智能生成。