CN113656665A - 一种基于哈希的半监督离散网络表示方法 - Google Patents

一种基于哈希的半监督离散网络表示方法 Download PDF

Info

Publication number
CN113656665A
CN113656665A CN202110848848.XA CN202110848848A CN113656665A CN 113656665 A CN113656665 A CN 113656665A CN 202110848848 A CN202110848848 A CN 202110848848A CN 113656665 A CN113656665 A CN 113656665A
Authority
CN
China
Prior art keywords
encoder
representation
matrix
nodes
decoder
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110848848.XA
Other languages
English (en)
Other versions
CN113656665B (zh
Inventor
毛振
沈肖波
王瑞
尹康华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202110848848.XA priority Critical patent/CN113656665B/zh
Publication of CN113656665A publication Critical patent/CN113656665A/zh
Application granted granted Critical
Publication of CN113656665B publication Critical patent/CN113656665B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/382—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using citations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Library & Information Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于哈希的半监督离散网络表示方法，网络包括节点自身的特征信息，节点之间的关联信息，节点的类别标签信息，得到表示过程如下：根据所述的节点之间的关联信息构建滤波矩阵；根据所述的滤波矩阵构建图自编码器，包括解码器和编码器，输出低维特征表示和重构特征，计算重构误差；二值激活低维特征表示，生成离散网络表示；使用分类器将离散网络表示分类，计算分类误差；构造总目标函数，优化编码器、解码器和分类器的参数，得到最终模型与离散网络表示。本发明方法获得的离散网络表示所需的存储空间极小，表达能力更强，在节点分类任务中表现出色，且在推荐系统、社区发现等任务上都有重要意义。

Description

一种基于哈希的半监督离散网络表示方法
技术领域
本发明涉及机器学习技术领域，特别是一种基于哈希的半监督离散网络表示方法。
背景技术
真实世界中的实体之间通常会交互，形成大规模的复杂网络，比如：社交网络、文献引用网络等，有效提取网络中的信息成为了现在的热点问题。网络表示学习的目标是提取网络节点的低维潜在表示，其中的关键是保持节点自身的特性，网络的结构关系。
目前已有的算法难以兼顾潜在表示的表达能力和信息存储的开销。这些方法中，哈希表示虽然在大规模图像检索中非常的有效，但忽略了网络的结构关系，表达能力较弱；传统网络表示学习方法得到的实值表示虽然能有较强的表达能力，但是存储的开销上难以做到哈希码的轻量；现有的离散网络表示的方法，通过相对简单的变换获得网络表示，表达能力有限。
发明内容
本发明的目的在于提供一种基于哈希的半监督离散网络表示方法，将节网络点的高维特征映射到低维的汉明空间，并且保持网络相邻节点间的相似性结构。
实现本发明目的的解决方案为：一种基于哈希的半监督离散网络表示方法，网络包括节点自身的特征信息，节点之间的关联信息，节点的类别标签信息，得到表示过程如下：
步骤1、根据所述的节点之间的关联信息构建滤波矩阵；
步骤2、根据所述的滤波矩阵构建图自编码器，包括解码器和编码器，输出低维特征表示和重构特征，计算重构误差；
步骤3、二值激活低维特征表示，生成离散网络表示；
步骤4、使用分类器将离散网络表示分类，计算分类误差；
步骤5、构造总目标函数，优化编码器、解码器和分类器的参数，得到最终模型与离散网络表示。
本发明与现有技术相比，其显著优点为：(1)利用节点之间的关联信息构建滤波矩阵；利用滤波矩阵构建的网络模型，网络表示的表达能力更强；(2)根据节点自身特征信息，图自编码器输出的重构的特征，节点的类别标签信息，分类器输出的类别预测，构造目标函数，包含重构误差以及分类误差两部分，通过端到端联合学习，优化网络参数，得到离散网络表示，存储占用空间明显更少，在下游任务中拥有更好的表现。
附图说明
图1是本发明基于哈希的半监督离散网络表示方法的流程图。
图2是储存网络的表示所需空间柱状图。
具体实施方式
结合图1，本发明一种基于哈希的半监督离散网络表示方法，网络包括节点自身的特征信息，节点之间的关联信息，节点的类别标签信息，得到表示过程如下：
步骤1、根据所述的节点之间的关联信息构建滤波矩阵；
步骤2、根据所述的滤波矩阵构建图自编码器，包括解码器和编码器，输出低维特征表示和重构特征，计算重构误差；
步骤3、二值激活低维特征表示，生成离散网络表示；
步骤4、使用分类器将离散网络表示分类，计算分类误差；
步骤5、构造总目标函数，优化编码器、解码器和分类器的参数，得到最终模型与离散网络表示。
进一步地，所述网络为社交网络或文献引用网络。
进一步地，步骤1中节点之间的关联信息，使用邻接矩阵A，
Figure BDA0003181680090000021
表示，其中N表示节点数量，计算对称归一化拉普拉斯矩阵
Figure BDA0003181680090000022
Figure BDA0003181680090000023
其中，I是单位矩阵；D是节点的度矩阵，第i行第i列的元素
Figure BDA0003181680090000024
Aij是邻接矩阵第i行第j列的元素，且D为对角阵；
计算低通滤波矩阵FL,高通滤波矩阵FH：
Figure BDA0003181680090000025
Figure BDA0003181680090000026
其中,δL、∈L是低通滤波矩阵控制平滑程度和增益的参数，δH、∈H是高通滤波矩阵控制锐化程度和增益的参数。
进一步地，步骤2所述根据所述的滤波矩阵构建图自编码器，包括解码器和编码器，输出低维特征表示和重构特征，计算重构误差，具体如下：
(1)使用多层的编码器网络Encoder(·，FL；θencoder)，其中FL是所述的低通滤波矩阵，θencoder为编码器网络参数，层间的传播规则使用如下公式：
Figure BDA0003181680090000031
其中，
Figure BDA0003181680090000032
是编码器第t层的激活矩阵的可训练权重矩阵；σ(·)表示激活函数，Ht是编码器第t层的激活矩阵，编码器第0层的激活矩阵，即编码器的输入H(0),H(0)＝X,X是节点的特征矩阵；编码器输出X的低维表示Z＝Encoder(X，FL；θencoder)；
(2)使用多层的解码器网络Decoder(·，FH；θdecoder)，其中FH是所述的低通滤波矩阵，θdecoder为解码器网络参数，层间的传播规则使用如下公式：
Figure BDA0003181680090000033
其中，
Figure BDA0003181680090000034
是解码器第t层的可训练权重矩阵；Ht+l是解码器第t层的激活矩阵，其中l表示编码器层数，解码器第0层的激活矩阵，即编码器的输出H(l)，H(l)＝Z，Z为编码器输出的低维表示；解码器输出X的重构特征
Figure BDA0003181680090000035
(3)使用均方差评估重构误差LX：
Figure BDA0003181680090000036
其中，m为节点的个数。
进一步地，步骤3所述二值激活低维特征表示，生成离散网络表示，具体如下：
在节点的关联信息辅助下，将低维表示Z进行如下激活，得到离散表示B：
Figure BDA0003181680090000037
其中，sign(·)表示符号函数；V(·)表示第号节点；N(·)表示与相邻的节点的集合；V(i)表示第i号节点；N(V(i))表示与第i号节点相邻的节点的集合；V(k)表示第k号节点。
进一步地，步骤4中使用分类器将离散网络表示分类，计算分类误差，具体如下：
使用分类器Classifier(·；θclassifier)，其中θclssifier为分类器网络参数，将离散表示B分类，得到结果
Figure BDA0003181680090000041
使用交叉熵函数评估有标签节点的分类误差LY：
Figure BDA0003181680090000042
其中，
Figure BDA0003181680090000043
是有标签节点的编号的集合；l是
Figure BDA0003181680090000044
的元素；F是类别数；Y是节点的标签矩阵，使用独热码表示，Ylf是Y的第l行第f列元素；
Figure BDA0003181680090000045
是
Figure BDA0003181680090000046
的第l行第f列元素。
进一步地，步骤5所述构造总目标函数，优化编码器、解码器和分类器的参数，得到最终模型与离散网络表示具体如下：
L＝λLX+(1-λ)LY
其中，L是总损失，λ是平衡两个损失的因子；根据总损失L，使用Adam算法优化θencoder、θdecoder、θclassifier，得到最终模型和离散网络嵌入。
下面结合附图及具体实施例对本发明做进一步详细说明。
实施例
本实施例结合一个文本分类任务来对本发明做进一步说明：
(1)本实施例采用标准的文献引用网络数据集——cora数据集来测试数据集。
cora数据集共2708个节点，每个节点都是一篇论文，论文被分为7类。每个节点都有1433个特征，每个特征都对应一个词，且该元素只有0或1这两个取值。取0表示该元素对应的词不在论文中，取1表示在论文中。如果两篇论文之间有引用的关系，则两篇论文之间有一条边。数据以邻接矩阵A和特征矩阵X，标签向量Y形式表示。
(2)根据公式
Figure BDA0003181680090000047
计算对称归一化拉普拉斯矩阵，由公式
Figure BDA0003181680090000048
计算低通滤波矩阵FL,高通滤波矩阵FH,其中δL取1.5，δH取1，∈L取1.5，∈H取1；
(3)多层的编码器网络的层间的传播规则使用如下公式
Ht+1＝ReLU(FLHtθt)
其中，ReLU(·)表示线性整流单元。H(0)＝X。编码器输出X的低维表示Z。多层的解码器网络的层间的传播规则使用如下公式
Figure BDA0003181680090000051
其中，H(0)＝Z。解码器输出X的重构特征
Figure BDA0003181680090000052
使用均方差评估重构误差。
Figure BDA0003181680090000053
(4)将所述的低维表示Z进行如下激活，得到离散表示B
Figure BDA0003181680090000054
(5)将离散表示B输入分类器，分类器采用softmax回归分类，得到分类结果
Figure BDA0003181680090000055
使用交叉熵函数评估有标签节点的分类误差
Figure BDA0003181680090000056
(6)以L＝λLx+(1-λ)LY作为总损失
其中，L是总损失。λ是平衡两个损失的因子，取0.3。使用Adam算法优化总损失L，学习率取0.002，得到模型，获得最终离散表示。
实验控制测试集中有标签节点比例从10％到90％变化，分别进行训练。最终分类结果，如表1所示。与经典的网络表示方法DeepWalk、Node2vec、TADW、HSCA，以及其他的离散网络表示方法，如NetHash、LQANR、BANE相比，可以看出本发明在该任务上，分类的评价指标micro-F1，macro-F1都优于其他方法。部分方法存储网络表示所需的空间，如图2所示，相比DeepWalk，Node2vec等的实值方法，本方法存储网络表示所需的空间明显更小。
表1本方法与其他方法节点分类结果的比较表格
Figure BDA0003181680090000061
注：横轴百分比值表示有标签的节点的比例
综上所述，本发明利用节点之间的关联信息构建滤波矩阵；利用滤波矩阵构建的网络模型，网络表示的表达能力更强；根据节点自身特征信息，图自编码器输出的重构的特征，节点的类别标签信息，分类器输出的类别预测，构造目标函数，包含重构误差以及分类误差两部分，通过端到端联合学习，优化网络参数，得到离散网络表示，存储占用空间明显更少，在下游任务中拥有更好的表现。

Claims (7)

1.一种基于哈希的半监督离散网络表示方法，其特征在于，网络包括节点自身的特征信息，节点之间的关联信息，节点的类别标签信息，得到表示过程如下：
步骤1、根据所述的节点之间的关联信息构建滤波矩阵；
步骤2、根据所述的滤波矩阵构建图自编码器，包括解码器和编码器，输出低维特征表示和重构特征，计算重构误差；
步骤3、二值激活低维特征表示，生成离散网络表示；
步骤4、使用分类器将离散网络表示分类，计算分类误差；
步骤5、构造总目标函数，优化编码器、解码器和分类器的参数，得到最终模型与离散网络表示。
2.根据权利要求1所述的基于哈希的半监督离散网络表示方法，其特征在于，所述网络为社交网络或文献引用网络。
3.根据权利要求1所述的基于哈希的半监督离散网络表示方法，其特征在于，步骤1中节点之间的关联信息，使用邻接矩阵A，
Figure FDA0003181680080000011
表示，其中N表示节点数量，计算对称归一化拉普拉斯矩阵
Figure FDA0003181680080000012
Figure FDA0003181680080000013
其中，I是单位矩阵；D是节点的度矩阵，第i行第i列的元素
Figure FDA0003181680080000014
Aij是邻接矩阵第i行第j列的元素，且D为对角阵；
计算低通滤波矩阵FL，高通滤波矩阵FH：
Figure FDA0003181680080000015
Figure FDA0003181680080000016
其中，δL、∈L是低通滤波矩阵控制平滑程度和增益的参数，δH、∈H是高通滤波矩阵控制锐化程度和增益的参数。
4.根据权利要求2或3所述的基于哈希的半监督离散网络表示方法，其特征在于，步骤2所述根据所述的滤波矩阵构建图自编码器，包括解码器和编码器，输出低维特征表示和重构特征，计算重构误差，具体如下：
(1)使用多层的编码器网络Encoder(·，FL；θencoder)，其中FL是所述的低通滤波矩阵，θencoder为编码器网络参数，层间的传播规则使用如下公式：
Figure FDA0003181680080000021
其中，
Figure FDA0003181680080000022
是编码器第t层的激活矩阵的可训练权重矩阵；σ(·)表示激活函数；Ht是编码器第t层的激活矩阵，编码器第0层的激活矩阵，即编码器的输入H(0)H(0)＝X，X是节点的特征矩阵；编码器输出X的低维表示Z＝Encoder(X，FL；θencoder)；
(2)使用多层的解码器网络Decoder(·，FH；θdecoder)，其中FH是所述的低通滤波矩阵，θdecoder为解码器网络参数，层间的传播规则使用如下公式：
Figure FDA0003181680080000023
其中，
Figure FDA0003181680080000024
是解码器第t层的可训练权重矩阵；Ht+l是解码器第t层的激活矩阵，其中l表示编码器层数，解码器第0层的激活矩阵，即编码器的输出H(l)，H(l)＝Z，Z为编码器输出的低维表示；解码器输出X的重构特征
Figure FDA0003181680080000025
(3)使用均方差评估重构误差LX：
Figure FDA0003181680080000026
其中，m为节点的个数。
5.根据权利要求4所述的基于哈希的半监督离散网络表示方法，其特征在于，步骤3所述二值激活低维特征表示，生成离散网络表示，具体如下：
在节点的关联信息辅助下，将低维表示Z进行如下激活，得到离散表示B：
Figure FDA0003181680080000027
其中，sign(·)表示符号函数；V(·)表示第·号节点，N(·)表示与·相邻的节点的集合；V(i)表示第i号节点；N(V(i))表示与第i号节点相邻的节点的集合；V(k)表示第k号节点。
6.根据权利要求5所述的基于哈希的半监督离散网络表示方法，其特征在于，步骤4中使用分类器将离散网络表示分类，计算分类误差，具体如下：
使用分类器Classifier(·；θclassifier)，其中θclssifier为分类器网络参数，将离散表示B分类，得到结果
Figure FDA0003181680080000031
使用交叉熵函数评估有标签节点的分类误差LY：
Figure FDA0003181680080000032
其中，
Figure FDA0003181680080000033
是有标签节点的编号的集合；l是
Figure FDA0003181680080000034
的元素；F是类别数；Y是节点的标签矩阵，使用独热码表示，Ylf是Y的第l行第f列元素；
Figure FDA0003181680080000035
是
Figure FDA0003181680080000036
的第l行第f列元素。
7.根据权利要求6所述的基于哈希的半监督离散网络表示方法，其特征在于，步骤5所述构造总目标函数，优化编码器、解码器和分类器的参数，得到最终模型与离散网络表示具体如下：
L＝λLX+(1-λ)LY
其中，L是总损失，λ是平衡两个损失的因子；根据总损失L，使用Adam算法优化θencoder、θdecoder、θclassifier，得到最终模型和离散网络嵌入。
CN202110848848.XA 2021-07-27 2021-07-27 一种基于哈希的半监督离散网络表示方法 Active CN113656665B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110848848.XA CN113656665B (zh) 2021-07-27 2021-07-27 一种基于哈希的半监督离散网络表示方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110848848.XA CN113656665B (zh) 2021-07-27 2021-07-27 一种基于哈希的半监督离散网络表示方法

Publications (2)

Publication Number Publication Date
CN113656665A true CN113656665A (zh) 2021-11-16
CN113656665B CN113656665B (zh) 2024-05-28

Family

ID=78490693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110848848.XA Active CN113656665B (zh) 2021-07-27 2021-07-27 一种基于哈希的半监督离散网络表示方法

Country Status (1)

Country Link
CN (1) CN113656665B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102905130A (zh) * 2012-09-29 2013-01-30 浙江大学 基于视觉感知的多分辨率jnd模型建构方法
US20180365801A1 (en) * 2015-12-01 2018-12-20 Teledyne E2V Semiconductors Sas Method for processing signals from a matrix for taking colour images, and corresponding sensor
CN109165743A (zh) * 2018-07-17 2019-01-08 东南大学 一种基于深度压缩自编码器的半监督网络表示学习算法
CN112529168A (zh) * 2020-12-29 2021-03-19 中国人民解放军国防科技大学 一种基于gcn的属性多层网络表示学习方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102905130A (zh) * 2012-09-29 2013-01-30 浙江大学 基于视觉感知的多分辨率jnd模型建构方法
US20180365801A1 (en) * 2015-12-01 2018-12-20 Teledyne E2V Semiconductors Sas Method for processing signals from a matrix for taking colour images, and corresponding sensor
CN109165743A (zh) * 2018-07-17 2019-01-08 东南大学 一种基于深度压缩自编码器的半监督网络表示学习算法
CN112529168A (zh) * 2020-12-29 2021-03-19 中国人民解放军国防科技大学 一种基于gcn的属性多层网络表示学习方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JINGKUAN SONG: "Self-Supervised Video Hashing with Hierarchical Binary Auto-encoder", TRANSACTIONS ON IMAGE PROCESSING, pages 1 - 11 *
PARTHA PRATIM ROY: "Seal detection and recognition : An approach for document indexing", 2009 10TH INTERNATIONAL CONFERENCE ON DOCUMENT ANALYSIS AND RECOGNITION, pages 101 - 105 *

Also Published As

Publication number Publication date
CN113656665B (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
Turchenko et al. A deep convolutional auto-encoder with pooling-unpooling layers in caffe
CN108108854B (zh) 城市路网链路预测方法、系统及存储介质
Cao et al. Class-specific soft voting based multiple extreme learning machines ensemble
CN109389151B (zh) 一种基于半监督嵌入表示模型的知识图谱处理方法和装置
Navarin et al. Universal readout for graph convolutional neural networks
CN114357312B (zh) 基于图神经网络自动建模的社区发现方法及个性推荐方法
CN113157957A (zh) 一种基于图卷积神经网络的属性图文献聚类方法
Pawar et al. Assessment of autoencoder architectures for data representation
CN110781401A (zh) 一种基于协同自回归流实现的Top-n项目推荐方法
Khawar et al. Learning the structure of auto-encoding recommenders
CN115761275A (zh) 一种基于图神经网络的无监督社区发现方法及系统
Bari et al. AestheticNet: deep convolutional neural network for person identification from visual aesthetic
CN113642674A (zh) 一种基于图卷积神经网络的多轮对话分类方法
Kim et al. Provable memorization capacity of transformers
CN115983351A (zh) 一种基于对比学习的自监督图神经网络方法
Kundu et al. Ternary residual networks
Paul et al. Non-iterative online sequential learning strategy for autoencoder and classifier
CN113988002A (zh) 一种基于神经聚类方法的近似注意力系统及方法
Giveki et al. A new method for image classification and image retrieval using convolutional neural networks
CN113656665A (zh) 一种基于哈希的半监督离散网络表示方法
CN113591930B (zh) 一种基于网络融合与图嵌入的病毒-宿主关联预测方法
Alagarsamy et al. RNN LSTM-based deep hybrid learning model for text classification using machine learning variant xgboost
Majumdar Kernelized linear autoencoder
Bandyopadhyay et al. Sac2vec: Information network representation with structure and content
Zhai et al. Deep product quantization for large-scale image retrieval

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Shen Xiaobo

Inventor after: Mao Zhen

Inventor after: Wang Rui

Inventor after: Yin Kanghua

Inventor before: Mao Zhen

Inventor before: Shen Xiaobo

Inventor before: Wang Rui

Inventor before: Yin Kanghua

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant