专利交易市场

本发明提出一种基于结构感知和大语言模型的跨域异质图链路预测方法，该方法包括：构建文本属性异质图并确定跨域归纳链路预测任务定义，对目标节点对进行重要性感知的子图构建操作，并分别进行端点视角的语义编码和拓扑位置编码，再利用上下文提示注意力模块将结构信息注入冻结的大语言模型中，得到融合结构与语义的隐藏状态特征，融合特征经自回归交叉熵损失优化，完成跨域归纳异质图链路预测。本发明基于异质图的拓扑结构和文本语义设计感知规则，使链路预测的决策依据可追溯至具体的图结构特征与语义特征，模型可解释性更强，为图分析任务提供直观的推理依据，解决传统跨域链路预测模型泛化能力差、结构语义融合低效的痛点。

本发明提供了一种基于注意力机制的扩散模型架构搜索方法和系统，所述方法包括：构建扩散模型超网架构，并将注意力机制加入到超网的每个输入节点之后用于特征图的选择，以减少超网前向传播和反向传播过程中的计算量。然后，再将注意力机制加入到超网的候选操作输出特征图之后，以计算每个候选操作的重要性，进而引导选择最优子网。最后，训练超网架构直到收敛，并选择出每条边中注意力权重最大的操作构建最优子网。与传统扩散模型架构搜索相比，本发明的基于注意力机制的扩散模型架构搜索具有稳定、快速的优点。这种方法相比传统的优化方法具有更高的效率和更好的搜索性能，能够更快地找到适合任务的最优神经网络架构。

本发明是一种多维时间序列的定量因果关系判定方法，具体流程包括采集m条时间序列；对每条时间序列进行预处理，得到具有相同时间间隔的多条平稳的时间序列；计算不同时间序列之间定量、定向的因果关系，其中任意两条时间序列Xj和Xi之间的因果关系可根据其间的Liang‑Kleeman信息流Tj→i与Ti→j来进行判断，而Tj→i由下式估算：#imgabs0#最后对计算得到的各两两时间序列之间的因果性进行整合，得到完整的因果关系网络图。该方法通过简单的计算即可推断多个事件之间的因果关系，而且这种因果关系以定量的形式输出，从而解决了因果关系推断这一难题，在金融、气候、环境、神经科学、天气预报、人工智能、大数据科学等众多重要的领域都将有着广泛而重要的应用。