- 1、本文档内容版权归属内容提供方,所产生的收益全部归内容提供方所有。如果您对本文有版权争议,可选择认领,认领后既往收益都归您。。
- 2、本文档由用户上传,本站不保证质量和数量令人满意,可能有诸多瑕疵,付费之前,请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形,可联系本站下载客服投诉处理。
- 3、文档侵权举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
本发明提供一种面向对齐性和均匀性感知的图表示学习方法及系统,属于基于图表示学习技术领域,包括:定义可学习的图掩码卷积神经网络自适应地将期望的特征传播给周围邻居节点,并对原始图进行编码;利用聚类层生成软标签,在软标签的指导下自适应的分离并重新整合图信号;将自适应的图信号输入到图卷积层中得到对应的节点表示;定义对齐性和均匀性损失函数,通过对比训练优化节点表示,使其同时具备对齐性和均匀性。本发明着重强调图对比学习应保证所学到的节点表示是对齐性和均匀性感知的,不仅增强了节点表示在图模型应用场景下的表征性
(19)国家知识产权局
(12)发明专利申请
(10)申请公布号CN117251604A
(43)申请公布日2023.12.19
(21)申请号202311302242.1G06N3/048(2023.01)
文档评论(0)