-
公开(公告)号：CN119168060A
公开(公告)日：2024-12-20
申请号：CN202411196030.4
申请日：2024-08-28
Applicant: 电子科技大学
IPC: G06N5/04 , G06N5/022 , G06N3/0455 , G06F40/295
Abstract: 本发明公开了本发明涉及时序知识图谱推理技术领域，具体涉及一种基于扩散过程的时序知识图谱推理方法。属于知识图谱推理技术领域。主旨在于解决难以捕获罕见/未见未来事件中不确定性信息的问题，本发明所述方法首先采用序列表示学习模块，将与主体实体相关的对象、关系和时间间隔序列转换为统一的连续表示。通过策略性引入高斯噪声增强未来事件表示，以模拟未来事件的不确定性，并且考虑时序知识图谱结构的时变性，采用基于Transformer模型的条件去噪模块来重建事件中的潜在参与者。然后，通过策略性地引入高斯噪声来增强这一过程，模拟未来事件的不确定性。此外，本发明所述方法还引入了不确定性正则化损失，有利于区分历史事件和罕见/未知事件，从而提高模型的预测清晰度并减少过拟合的倾向。
-
公开(公告)号：CN118175647A
公开(公告)日：2024-06-11
申请号：CN202410284545.3
申请日：2024-03-12
Applicant: 电子科技大学 , 中国电子科技集团公司第五十四研究所
Abstract: 本发明公开了一种基于感知增强网络的自适应干扰资源分配方法，属于深度强化学习技术领域。本发明所设计的感知增强网络包括状态识别网络和动作价值网络，其中状态识别网络用于识别通信方的状态价值，增强对通信方抗干扰状态的感知能力，然后将状态价值反馈给动作价值网络以选择最优干扰动作，从而帮助模型更精准地匹配最优干扰资源分配策略。并且，构建了一个双目标优化奖励函数，通过调整两个归一化后的奖励函数的相对重要性权重，达到干扰成功和资源节约之间的最佳平衡。此外，设计了动态修正的优先经验回放机制，以实现对数据样本的高效利用并确保策略的快速收敛。
-
公开(公告)号：CN119167084A
公开(公告)日：2024-12-20
申请号：CN202411196074.7
申请日：2024-08-29
Applicant: 电子科技大学
IPC: G06F18/214 , G06F18/2431 , G06F40/242 , G06F40/30
Abstract: 本发明涉及小样本事件检测技术领域，提出了一种面向小样本事件检测的多尺度对比预训练方法。该方法旨在解决现有事件检测方法对大量带注释数据的依赖，以及在低资源环境下对新事件类型检测效果不佳的问题。主要方案包括构造事件类型标签概念字典，利用自动AMR解析器获取句子集的AMR结构，创建触发器语义增强编码器和句子语义信息编码器，以及事件类型信息编码器。通过对比学习，该方法在句子‑触发器级别信息和句子‑事件类型级别信息两个维度上分别构建编码器，丰富输入文本信息和事件类型信息的语义表示，从而提高事件检测模型在低资源场景下的性能。本发明用于提升小样本事件检测的准确性和鲁棒性。
-
公开(公告)号：CN119168061A
公开(公告)日：2024-12-20
申请号：CN202411197198.7
申请日：2024-08-28
Applicant: 电子科技大学
IPC: G06N5/04 , G06N5/025 , G06N5/02 , G06N3/042 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/0895
Abstract: 本发明涉及时序知识图谱推理技术领域，公开了一种基于双视图自适应对比学习的知识图谱推理方法，解决现有时序知识图谱推理方法在处理噪声和捕获关键历史信息方面的不足，无法有效探索历史影响与全球知识中包含的潜在未来事件之间的适应性平衡的问题。包括通过实体感知注意力机制，对局部和全局历史信息进行编码：计算跨时间子图，捕获历史事件信息跨时间戳周期性语义；引入局部‑全局查询对比模块，以提高模型在输入受到噪声污染时的鲁棒性，强化模型对抗噪声的能力，确保性能的稳定性；使用负样本权重识别函数，自适应调整负样本权重；将局部和全局编码表示进行融合，通过打分函数以获取目标实体的预测概率分布，将最高概率的实体作为预测答案，以完成时序知识图谱的外推任务。
-
-
-
Search Results
4
records
(took 0.02 seconds)
