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置信度引导的自适应图表示增强学习方法、设备及介质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：CN121145970B 。

龙图腾网通过国家知识产权局官网在2026-02-06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：202511685455.6，技术领域涉及：G06N3/084；该发明授权置信度引导的自适应图表示增强学习方法、设备及介质是由俞海涛;郭兆日;郑雪钦;蔡钟淇;赵华庆;张萍;李佳欣;李子涵;陈茜;宋启豪;谢坚胜;孙南茜;林科达;叶雯雯;明宇;林开标;陈嘉琦;郭翰林;邱琰辉;傅恺宁设计研发完成，并于2025-11-18向国家知识产权局提交的专利申请。

本置信度引导的自适应图表示增强学习方法、设备及介质在说明书摘要公布了：本发明提供的置信度引导的自适应图表示增强学习方法、设备及介质，涉及标签预测与电数据处理技术领域。本发明通过获取由多源异构电子化数据组成的众包数据集，并输入自适应图表示学习模型；对众包数据集进行映射构建原始二分图；基于原始二分图，通过动态置信修剪和保守性边增加生成修剪视图和增强视图；然后通过双通道异构自适应网络分别对工作者节点和任务节点进行特征提取、自适应信息增强与学习后，经预测器预测得到初始预测标签；结合原始二分图，对初始预测标签进行标签校正，得到最终预测标签。本发明能够有效抑制噪声干扰、捕捉局部特征并适应动态环境，在准确性、鲁棒性与计算效率方面显著优于现有技术，适用于多源异构智能标注等领域。

本发明授权置信度引导的自适应图表示增强学习方法、设备及介质在权利要求书中公布了：1.一种置信度引导的自适应图表示增强学习方法，其特征在于，包括： 获取由不同特征的多源异构电子化数据组成的众包数据集； 将所述众包数据集输入自适应图表示学习模型，使用多目标协同优化损失函数进行学习训练，得到训练好的自适应图表示学习模型，用于后续分类预测任务；其中，所述自适应图表示学习模型包括节点映射模块、视图生成模块、双通道自适应学习模块与标签校正模块； 所述众包数据集通过所述节点映射模块映射构建包含工作者节点和任务节点的原始二分图； 基于所述原始二分图，通过所述视图生成模块进行动态置信修剪和保守性边增加生成修剪视图和增强视图； 根据所述修剪视图和所述增强视图，通过所述双通道自适应学习模块的双通道异构自适应网络分别对工作者节点和任务节点进行特征提取、自适应信息增强与学习后，经预测器预测得到初始预测标签； 结合所述原始二分图，通过所述标签校正模块对所述初始预测标签进行标签校正，得到最终预测标签； 其中，所述修剪视图的生成过程如下： 首先，基于所述原始二分图，利用边预测器计算每条边的最大类别置信度，类别置信度的表达式为： = ； 其中，表示第i个工作者节点与第j个任务节点组成的边的类别置信度；为边预测器；为工作者节点特征的权重矩阵；表示第i个工作者节点特征向量；为任务节点特征的权重矩阵；表示第j个任务节点特征向量；为边特征的权重矩阵；为线性变换函数，用于将边预测器的输出转换为概率分布；为边的特征向量；为边预测器的偏置项；为特征拼接操作； 然后将每条边的最大类别置信度作为置信度，选择概率较高类别的边以保留高质量标注的边，表达式为： ； 其中，为边的置信度；C表示所有可能的标签类别集合；c表示类别；表示类别标签；表示对所有可能的标签类别c取最大值；表示类别置信度函数； 接着进行动态边的修剪，结合置信度敏感因子自适应调节边修剪概率，以控制置信度边的敏感程度，动态边修剪概率的表达式为： ； 其中，表示边的动态修剪概率；为极小常数；为置信度敏感因子；为修剪权重系数；表示L2范数，用于衡量特征的差异程序； 基于动态边修剪概率对所述原始二分图的边进行修剪，得到所述修剪视图； 所述增强视图的生成过程为： 将边预测器计算的每条边对应的最大类别置信度作为边增加的概率，公式为； ； 其中，表示的边增加概率；为边增加权重系数；为非线性激活函数；为边增加的权重矩阵；T为转置符号；为边的置信度； 基于计算出的边增加概率，对所述原始二分图进行边增加，得到所述增强视图。

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。