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！

龙图腾网获悉首都医科大学附属北京胸科医院;北京市结核病胸部肿瘤研究所申请的专利图神经网络性能优化方法及装置、存储介质、计算机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：CN120832908B 。

龙图腾网通过国家知识产权局官网在2026-01-09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：202510844494.X，技术领域涉及：G06N3/042；该发明授权图神经网络性能优化方法及装置、存储介质、计算机设备是由刘静;李翔设计研发完成，并于2025-06-23向国家知识产权局提交的专利申请。

本图神经网络性能优化方法及装置、存储介质、计算机设备在说明书摘要公布了：本申请公开了一种图神经网络性能优化方法及装置、存储介质、计算机设备，该方法包括：对原始图结构数据中的图节点特征和标签分别进行线性插值，生成增强图结构数据；构建教师图神经网络作为教师模型，并获取教师模型针对增强图结构数据预测出的软标签；构建学生图神经网络作为学生模型，利用知识蒸馏技术将软标签迁移至学生模型中，基于增强图结构数据训练学生模型，利用交叉熵损失和知识蒸馏技术驱动出的知识蒸馏损失同时指导学生模型，直至训练出最优的学生模型。通过对节点特征和标签进行线性插值，在保留原始图拓扑结构的同时，生成多样化的训练样本，能够提高学生图神经网络的预测性能。

本发明授权图神经网络性能优化方法及装置、存储介质、计算机设备在权利要求书中公布了：1.一种图神经网络性能优化方法，其特征在于，应用于医学领域，所述方法包括： 获取用于训练图神经网络的原始图结构数据，其中，所述原始图结构数据包括多个图节点，图节点对应有图节点特征和标签，图节点特征表征图节点的属性信息，标签表征图节点所属的类别，所述图神经网络为患者疾病关联图，图节点为患者节点，患者节点对应的患者节点特征包括年龄和血糖水平，患者节点对应的标签为是否患有糖尿病； 基于原始图结构数据中的任两图节点确定图节点对，利用节点特征线性插值公式和所述图节点对中两图节点各自的图节点特征进行线性插值，得到基于所述图节点对线性插值出的虚拟图节点特征，其中，各虚拟图节点特征分别对应有虚拟图节点，通过线性插值，生成介于两个已知患者间的虚拟患者节点特征； 利用标签线性插值公式和所述图节点对中两图节点各自的标签进行线性插值，得到基于所述图节点对线性插值出的虚拟标签； 基于各图节点对各自线性插值出的虚拟图节点特征和虚拟标签，得到增强图结构数据，其中，所述增强图结构数据中的虚拟标签作为真实标签训练图神经网络，虚拟图节点特征和虚拟标签分别表示为： ， ， 和分别为虚拟图节点特征和虚拟标签，和分别为原始图结构数据中的2个图节点特征，和是分别为和各自对应的标签，为介于0和1间的随机数，服从分布，用于表征线性插值的权重参数，为控制分布形状的参数； 构建教师图神经网络作为教师模型； 当基于增强图结构数据训练所述教师模型时，通过平均交叉熵损失函数，对增强图结构数据中各虚拟图节点各自的交叉熵损失求和并取平均，得到平均交叉熵损失，基于平均交叉熵损失指导教师模型的训练，其中，所述平均交叉熵损失函数为： ， 为教师模型的平均交叉熵损失，为交叉熵损失函数，N为增强图结构数据中虚拟图节点的总数量，为虚拟图节点特征，为教师模型针对虚拟图节点特征预测出的嵌入表示，为虚拟图节点特征对应的虚拟标签，用于计算教师模型预测出的嵌入表示与真实标签间的交叉熵损失； 获取教师模型在训练过程中针对增强图结构数据预测出的软标签，其中，所述软标签用于表征教师模型对增强图结构数据中，各图节点所属类别的预测概率分布，软标签包括生成介于健康和糖尿病间的软标签； 构建学生图神经网络作为学生模型，利用知识蒸馏技术将软标签迁移至学生模型中，以使学生模型学习到教师模型的预测能力，其中，在利用知识蒸馏技术将软标签迁移至学生模型中时，获取学生模型针对增强图结构数据的知识蒸馏损失，通过最小化知识蒸馏损失使得学生模型从教师模型中学习到软标签知识； 在基于增强图结构数据训练学生模型过程中，计算学生模型在增强图结构数据上的平均KL散度损失，将计算出的平均KL散度损失作为知识蒸馏损失，并利用最小化知识蒸馏损失的方式指导学生模型的训练，其中，所述平均KL散度损失用于衡量学生模型针对增强图结构数据预测出的嵌入表示，与教师模型针对相同数据预测出的节点嵌入表示间的差异，所述知识蒸馏损失的计算公式为： ， 为学生模型S的知识蒸馏损失，是学生模型S针对虚拟图节点特征预测出的嵌入表示，为教师模型针对虚拟图节点特征预测出的嵌入表示，为KL散度Kullback-Leibler散度损失函数，N为增强图结构数据中虚拟图节点的总数量； 利用交叉熵损失和知识蒸馏技术驱动出的知识蒸馏损失同时指导学生模型，直至训练出最优的学生模型，其中，知识蒸馏损失用于衡量学生模型和教师模型各自针对增强图结构数据，预测出的软标签间的差异，交叉熵损失用于衡量学生模型针对增强图结构数据预测出的预测标签与增强图结构数据中的真实标签间的差异。

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首都医科大学附属北京胸科医院;北京市结核病胸部肿瘤研究所，其通讯地址为：101199 北京市通州区北关大街9号院；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。