一种基于增强对比表征的在线社交平台好友推荐方法，首先，为在线社交平台构建社交网络和经过噪声扰动的负网络；接着，使用图神经网络提取社交网络和负网络的社交用户表征；然后，在社交用户表征上计算分层对比学习损失、拓扑损失以及结构损失；最后，联合各损失获得最终总的损失函数，同时通过最终得到的社交用户表征以实现个性化的好友推荐。本发明通过对原始社交网络进行信息增强，通过多损失约束以提升网络的鲁棒性并捕捉深层的潜在信息，有助于为在线社交平台提供高准确性和高泛化性的好友推荐结果。
📄 2025100771318
📂 G06F16_9536
👤 浙江工业大学
📅 2025-01-17
一种基于对比学习自适应连边属性增强的化合物筛选方法，包括以下步骤：1)获取数据并进行拓扑处理和属性处理；2)构建AE‑Learner，联合分析子图网络拓扑和原始图网络属性，为分子图赋加综合连边权重，生成增强视图；3)训练AE编码器，通过AE学习目标最大化不同的增强视图间差异；4)同一迭代过程中，训练GCL编码器，在图对比学习中通过GCL目标最大化正对间相似度；5)重复进行3和4，直到GCL目标损失趋于平稳；6)将训练好的GCL编码器应用于下游化合物筛选任务中，编码后的图级表示通过支持向量机进行图分类和性质预测。本发明提供一种显式连边学习的增强方法，结合对比学习，不仅解决了标签稀缺问题，还能补充连边重要性，提高化合物筛选性能。
📄 2023108699988
📂 G16C20_30
👤 浙江工业大学
📅 2023-07-14
本发明提供了一种CT影像中基于局部标注的肋骨主动对比学习分割模型构建方法及系统，本发明先利用对比学习从大量无标注样本中提取出公共特征，减少模型对标注样本的依赖，同时再通过主动学习挑选出数据集中具有代表性和高价值性的样本作为待标注样本，并通过像素熵找出这些待标注样本中的高不确定性区域来局部标注，进一步减少标注量，并将一些高置信度的预测结果作为伪标签加入训练池，扩充训练样本。本发明筛选出更具代表性的样本进行学习，既减少了样本过拟合的可能，又缩减了模型的训练成本。
📄 202411294855X
📂 G06T7_136
👤 浙江工业大学
📅 2024-09-14
基于对比学习的深度学习模型蒸馏中毒防御方法，包括以下步骤：数据集准备；中毒模型准备；使用干净样本生成正例；构建学生模型蒸馏损失函数和学习样本的损失函数；模型蒸馏。本发明具有良好的适用性，能够有效的防御中毒攻击，并且不影响模型蒸馏后正常样本的正确率。
📄 2022113580283
📂 G06N3_096
👤 浙江工业大学
📅 2022-11-01
本发明公开了一种基于神经网络无监督对比学习的高效行人重识别方法。本发明步骤：步骤1：准备行人重识别模型训练的数据集；步骤2：选择具有较强特征提取能力的卷积神经网络作为无监督对比学习模型的主干网络，无监督对比学习模型中的对比学习以特征向量为出发点，即对无监督对比学习模型提取的特征向量进行约束，按照损失函数的方式，利用优化器和反向传播的原理实现对无监督对比学习模型的网络参数的修正；步骤3：将训练图片的特征向量存入缓存区；步骤4：通过量化指标进行量化评估。本发明使用有标数据和无标数据同时训练，即保障模型较高的准确度，实现模型易训练的特点，又能有较好的模型扩展性，对新环境的新样本有更好的扩展性。
📄 2020103647428
📂 G06V40_10
👤 杭州电子科技大学
📅 2020-04-30
本发明涉及一种基于提示与对比学习的极少样本关系提取方法，该方法选用公开语句实例数据集O，O中的数据分为模拟查询集Q和模拟支持集S；构建关系提取模型PromptRE，PromptRE包括模板嵌入模块、BERT编码模块、全局表示优化模块和注意力相关对比学习模块，并使用Q和S对PromptRE进行训练得到训练好的PromptRE，最后将待查询实例输入训练好的PromptRE，输出即为预测的待查询实例的关系标签。本发明方法引入了全局优化损和注意力损失，提高了预测的准确性。
📄 2022112618194
📂 G06F16_28
👤 重庆大学
📅 2022-10-14
本发明公开了一种无监督行人重识别的多聚类引导易变特征对比学习方法及系统，涉及无监督行人重识别技术领域，包括：对图像数据集进行特征提取得到待处理样本；使用两种不同参数的聚类算法给待处理样本分配标签，通过对比两种聚类筛选出易变特征来引导内存库的初始化；利用小批量待处理样本中的上下文信息为每一个样本动态分配不同的权重，构造动态质心更新易变特征内存库；通过易变特征内存库对无监督行人重识别模型进行反向传播优化。本发明通过多种不同参数的聚类算法筛选易变特征，有效抑制了训练过程中噪声的引入；将特征库的更新过程与模型训练的不同阶段及样本的上下文关系相耦合；构建易变特征挖掘损失，增强了模型对复杂场景的适应能力。
📄 2025107034806
📂 G06V20_52
👤 浙江理工大学
📅 2025-05-29
本发明提出了一种基于深度自监督对比学习的X光胸片智能分析方法及系统。该方法将X光胸片于图像特征编码模块中提取图像特征，输出图像表征，图像特征映射模块基于图像表征得到图像特征视图，病灶特征增强模块基于X光胸片和图像表征提取影像组学信息，由影像组学特征编码模块提取影像组学信息中的影像组学特征，输出影像组学表征，影像组学特征映射模块基于影像组学表征得到影像组学特征视图；图像特征视图和影像组学特征视图在反馈回路中进行自监督深度对比学习，更新网络参数；判别模块对图像特征编码模块输出的图像表征进行疾病分类和病灶定位。本方法提高了疾病分类的准确性，显著提高了病灶区域的定位精度，其定位结果更为鲁棒和准确。
📄 2024110127642
📂 G06T7_00
👤 南充市中心医院
📅 2024-07-26
本发明公开了基于扩散模型和对比学习的超原子结构按需设计方法，根据用户给定的目标光谱响应，通过在扩散模型编码的潜在空间中引入“多生成条件约束”(连通域约束、光谱响应透射系数约束)，逆向设计出满足条件约束的高自由度超原子结构库。通过对比学习对生成的超原子结构库进行相似度排序，按需设计出符合目标光谱响应的最优超原子结构信息参数。本发明专利不仅能够逆向设计出高自由度超原子结构，解决逆向设计中的“一对多”问题，而且按需设计满足目标光谱响应且易于加工的最优超原子结构，解决最优设计和设计结果多样性之间的权衡问题。相比于传统的利用数值模拟进行逆向设计的方法，节约了大量的按需设计时间且设计结果准确。
📄 2024111737994
📂 G16C60_00
👤 华东交通大学
📅 2024-08-26
本发明公开了本发明提供了一种基于对比学习的网络入侵检测方法、系统、设备及介质，所述方法包括如下步骤：获取并对网络流量数据包进行规范化处理，将经过规范化处理的网络流量数据包按时间顺序排列后进行预处理，其中，网络流量数据包括正常流量数据和攻击流量数据；将经过预处理的网络流量数据包转换为二维图像，并划分为训练集和测试集；采用CNN模型作为特征提取器，将训练集输入到CNN模型中，提取二维图像的高维特征，生成正常‑异常样本对；通过对比学习方法将提取的高维特征映射到单位球体上，进行数据分类；将经过分类的数据输入到预测模型中进行分析预测，并输出结果；将测试集依次输入到训练好的CNN模型和预测模型中，进行网络入侵检测。
📄 2024101324641
📂 H04L9_40
👤 广东技术师范大学
📅 2024-01-30
本发明公开了一种双视图对齐的负样本优化对比学习推荐方法，包括如下步骤：构建用户物品二部图，采用用户物品二部图构建双视图，对双视图中用户的节点嵌入和物品的节点嵌入对齐，得到对齐后的双视图；采用负样本优化器对用户和物品的正样本以及负样本进行优化；将优化后的样本以及对齐后的双视图输入至对比学习模块中，采用对比学习损失和贝叶斯个性化排序对比损失，通过比较正样本与负样本的相似性来训练图卷积神经网络GCN，将训练好的深度学习模型进行实际应用；本发明采用了双视图对齐策略，通过对用户和物品视图进行特征提取、卷积操作和对齐调整，使得它们在嵌入空间中更加接近。
📄 2024109946239
📂 G06Q30_0601
👤 四川企服云企业管理集团有限公司
📅 2024-07-24
本发明属于风险预测技术领域，具体涉及一种基于对比学习的ICU患者死亡风险预测方法；该方法包括：获取ICU患者的电子病历数据集并对其进行处理，得到多个批次数据样本；将批次内数据样本输入到构建好的基于transformer‑gru‑cnn的分类器中，得到分类损失函数；构建辅助对比学习损失函数；根据分类损失函数和辅助对比学习损失函数构建优化损失函数；根据优化损失函数对分类器的参数进行更新，得到构建好的基于对比学习的ICU患者死亡风险预测模型；将电子病历数据输入到构建好的基于对比学习的ICU患者死亡风险预测模型，得到待预测患者的死亡风险预测结果；本发明的预测精度高，实用性高，具有良好的应用前景。
📄 2022107834032
📂 G16H50_30
👤 重庆邮电大学
📅 2022-07-05
柿子坊 · 知识产权运营
柿子坊知识产权运营平台