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！

龙图腾网获悉北京科技大学申请的专利基于神经架构搜索的多模态自动建模与融合方法及装置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：CN120671501B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202510612826.1，技术领域涉及：G06F30/27；该发明授权基于神经架构搜索的多模态自动建模与融合方法及装置是由徐诚;张航宁;王然;唐思穗;叶方闻;何杰;张晓彤设计研发完成，并于2025-05-13向国家知识产权局提交的专利申请。

本基于神经架构搜索的多模态自动建模与融合方法及装置在说明书摘要公布了：本发明提供一种基于神经架构搜索的多模态自动建模与融合方法及装置，涉及计算机科学技术领域。该方法包括：获取多模态数据及任务类型；对每个模态数据基于神经架构搜索自动生成对应的最优单元架构，分别对每个模态数据进行特征提取；根据每个模态数据的高维特征分析特征层面的模态间依赖关系生成动态更新的相关性热力图，根据融合策略决策器得到特定融合策略，构建最优融合网络架构；根据任务类型自动调整输出层与损失函数，得到适应任务需求的网络，完成不同下游任务。本发明能够实现单模态特征提取与多模态融合策略的端到端联合优化，显著降低人工干预成本与GPU资源消耗，同时提升复杂场景下的任务性能与模型泛化能力。

本发明授权基于神经架构搜索的多模态自动建模与融合方法及装置在权利要求书中公布了：1.一种基于神经架构搜索的多模态自动建模与融合方法，其特征在于，所述方法包括： S1、获取多模态数据以及任务类型；其中，多模态数据包括文本、图像、音频和或视频； S2、对多模态数据中的每个模态数据，基于神经架构搜索自动生成对应的最优单元架构；其中，所述最优单元架构为有向无环图形式； S3、将所述最优单元架构作为特征提取器，分别对每个模态数据进行特征提取，得到每个模态数据的高维特征，将所述每个模态数据的高维特征存入共享特征缓存池； S4、根据所述每个模态数据的高维特征分析特征层面的模态间依赖关系，生成动态更新的相关性热力图，根据相关性热力图以及融合策略决策器得到特定融合策略； S5、根据共享特征缓存池中的高维特征以及特定融合策略，构建最优融合网络架构； S6、根据最优融合网络架构以及任务类型，通过任务适配模块自动调整输出层与损失函数，得到适应任务需求的网络，完成不同下游任务； 所述S5中的根据共享特征缓存池中的高维特征以及特定融合策略，构建最优融合网络架构，包括： S51、初始化融合层数，定义最大融合层数，初始化候选架构池，用于存储每一步筛选出的高潜力架构； S52、对于第层融合层，采用特征拼接的方式将第层融合层的输出与第层融合层的特征进行融合，并允许特征在不同层次之间跳跃连接，对融合的特征通过激活函数进行非线性变换，进而构建候选架构； S53、对于第层融合层下的所有候选架构，采用顺序模型基础优化SMBO算法，结合LSTM代理模型预测架构的性能； S54、根据性能对所有候选架构进行排序，选择性能最高的多个架构作为高潜力候选架构，加入候选架构池； S55、对高潜力候选架构采用权重继承机制从历史最优层初始化参数进行训练； S56、在最大层数下，对候选架构池中的所有高潜力候选架构进行评估，选择性能最佳的架构作为最优融合网络架构； 所述S6中的根据最优融合网络架构以及任务类型，通过任务适配模块自动调整输出层与损失函数，得到适应任务需求的网络，包括： S61、根据任务类型对最优融合网络架构动态配置输出层和损失函数； S62、对配置后的最优融合网络架构进行动态网络结构调整与两阶段训练；其中，第一阶段固定任务适配模块的参数，优化配置后的最优融合网络架构的特征表示，第二阶段锁定最优融合网络架构的参数，微调任务适配模块； S63、判断下游任务类型是否发生变化，若发生变化，则卸载当前任务的输出层和损失函数，加载新任务的配置并启动热启动微调；若未发生变化，则对最优融合网络架构进行性能监控。

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科技大学，其通讯地址为：100083 北京市海淀区学院路30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。