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！

龙图腾网获悉北京航空航天大学申请的专利一种基于充分展开的材料图神经网络的分层解释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：CN117236374B 。

龙图腾网通过国家知识产权局官网在2025-12-30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：202311409176.8，技术领域涉及：G06N3/042；该发明授权一种基于充分展开的材料图神经网络的分层解释方法是由季煜文;时磊;刘志盟;王戈设计研发完成，并于2023-10-27向国家知识产权局提交的专利申请。

本一种基于充分展开的材料图神经网络的分层解释方法在说明书摘要公布了：本发明实现了一种基于充分展开的材料图神经网络的分层解释方法。通过五个步骤：对分子性能预测复杂学习任务，复现主流的图神经网络模型得到预测结果；对每层结构初始化粗化结构的特征提取器汇聚待解释GNN对其组成结构的编码表示；对每层图结构初始化一个计算聚类单元重要性的权重分配模块；基于表示学习的相关概念，通过对所有数据进行循环迭代训练；结合训练好的粗化模块与权重分配模块，生成输入图结构的层次重要性排序，最终技术验证GNN的预测过程能否重建领域知识。本发明提供的方法提出了一个改进的优化框架来解决目标函数，最终为GNN的分层解释建立了一般性的流程并采用了有效的优化算法，以进一步帮助用户在多种粒度上分析和理解图神经网络学习的结果。

本发明授权一种基于充分展开的材料图神经网络的分层解释方法在权利要求书中公布了：1.一种基于充分展开的材料图神经网络的分层解释方法，其特征在于：包括五个步骤： 步骤1，准备具有分层可解释性质的分子性能预测复杂学习任务，其中处理的数据可以是文本流，把层次领域知识编码为层次知识树，用来表示输入图数据的分层解释约束，复现主流的图神经网络模型，使用训练集和验证集对该模型进行训练，再使用训练好的模型在测试集上进行预测，得到预测结果； 步骤2，对每层结构初始化一个粗化结构的特征提取器，提取每层结构的粗化表示，所述粗化结构的特征提取器是一个深度神经网络，汇聚待解释GNN对其组成结构的编码表示，学到代表整个聚类的特征； 步骤3，对每层图结构初始化一个计算聚类单元重要性的权重分配模块，并通过子图采样来生成候选的分层可解释子图，子图采样涉及重参数化技巧，通过放松，把子图搜索的NP问题变为采样分布估计问题，并引入温度参数来控制对离散采样的近似程度； 步骤4，基于表示学习的相关概念，设计充分展开方法，把粗化结构的可解释子图，映射到输入子图中的完整组成特征输入到待解释GNN中来计算预测的变化，进而通过梯度下降来优化每层结构的粗化模块与权重分配模块，通过对所有数据进行循环迭代训练，直到结果收敛； 步骤5，结合步骤2和步骤3中训练好的粗化模块与权重分配模块，生成输入图结构的层次重要性排序，根据领域知识对重要成分依次进行可视化分析，进行技术验证GNN的预测过程能否重建领域知识； 步骤4的基础是充分表示理论，随机变量的充分表示定义为，包含所有与进行目标底层分布或参数推断相关的信息表示，当映射到原始图时，其映射信息应与第层次子图具有相同的互信息，这种映射的唯一候选者是中的聚类边所属的每个最底层节点边的完全展开，定义为“充分展开”函数，然后通过最大化每层解释结构与完整结构之间的互信息，以及最小化分配模块输出权重的信息熵与平均权重，实现对紧凑关键结构的近似探索，最后，最大化候选图的充分展开与预测结果之间的互信息： 得到优化框架的最终目标函数，输出反向传播算法的监督信号，进而优化粗化模块与权重分配模块，提取GNN模型的知识依赖。

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北京航空航天大学，其通讯地址为：100191 北京市海淀区学院路37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。