田侃
- 作品数：6 被引量：1H指数：1
- 供职机构：重庆邮电大学更多>>
- 相关领域：自动化与计算机技术更多>>
- 基于网络重构的生成式图神经网络的图结构链路预测方法及系统
- 本发明属于图数据分析领域，具体涉及一种基于网络重构的生成式图神经网络的图结构链路预测方法及系统，包括：对原始图进行随机扰动，获得观察图；对观察图再次进行扰动，得到增强图；将增强图输入到GraphLP链路预测模型中，经过全...
- 先兴平张殊吴涛赵卓田侃李汉加张悦李雨雪
- 图神经网络对抗攻击与鲁棒性评测前沿进展被引量：1
- 2024年
- 近年来,图神经网络(GNNs)逐渐成为人工智能的重要研究方向。然而,GNNs的对抗脆弱性使其实际应用面临严峻挑战。为了全面认识GNNs对抗攻击与鲁棒性评测的研究工作,对相关前沿进展进行梳理和分析讨论。介绍GNNs对抗攻击的研究背景,给出GNNs对抗攻击的形式化定义,阐述GNNs对抗攻击及鲁棒性评测的研究框架和基本概念。对GNNs对抗攻击领域所提具体方法进行了总结和梳理,并对其中的前沿方法从对抗攻击类型和攻击目标范围的角度进行详细分类阐述,分析了它们的工作机制、原理和优缺点。考虑到基于对抗攻击的模型鲁棒性评测依赖于对抗攻击方法的选择和对抗扰动程度,只能实现间接、局部的评价,难以全面反映模型鲁棒性的本质特征,从而着重对模型鲁棒性的直接评测指标进行了梳理和分析。在此基础上,为了支撑GNNs对抗攻击方法和鲁棒性模型的设计与评价,通过实验从易实现程度、准确性、执行时间等方面对代表性的GNNs对抗攻击方法进行了对比分析。对存在的挑战和未来研究方向进行展望。总体而言,目前GNNs对抗鲁棒性研究以反复实验为主,缺乏具有指导性的理论框架。如何保障基于GNNs的深度智能系统的可信性,仍需进一步系统性的基础理论研究。
- 吴涛吴涛先兴平袁霖先兴平崔灿一星田侃
- 一种基于转置卷积的图深度学习模型信息重建方法
- 本发明属于图神经网络领域，涉及一种基于转置卷积的图深度学习模型信息重建方法，包括：获取GNNs模型输出的社交网络的用户节点特征和社交网络中用户与用户之间的邻接矩阵，将用户节点特征和邻接矩阵输入训练好的TransMI模型进...
- 吴涛李之赞张舒先兴平田侃曹新汶
- 结合图卷积模型和共享编码的知识图谱问答方法
- 2025年
- 知识图谱问答技术正广泛应用于智能对话和个性化推荐等智慧信息服务中,它通过图结构明确表示和建模知识,实现实体链接和答案推理具有良好的可控度和解释性。然而,当前的实体链接方法具有准确率不高、忽略邻居信息等不足。同时,答案推理方法缺乏高效的面向问句与图谱的信息编码机制。针对上述挑战,提出了一种基于图卷积网络和关系匹配聚合、可聚合邻居信息且不依赖外部工具的实体链接方法,并设计了一种基于共享编码和协同注意力的、促进问句与图谱信息进行高效匹配的答案推理方法。与传统方法主要关注答案推理任务、基于工具实现实体链接不同,提出的知识图谱问答方法能够同时处理实体链接和答案推理任务。实验结果表明,所提方法的性能均优于传统模型。此外,通过图谱信息的重要性分析实验,揭示了各类图谱信息对于实体链接和答案推理任务的重要性。
- 田侃曹新汶张浩然先兴平先兴平宋秀丽
- 原型对比学习驱动的鲁棒性关系抽取方法
- 2025年
- 关系抽取旨在识别非结构化文本中实体对之间的语义关系,现有方法无法灵活应用于开放域场景,如何在开集环境中自适应地进行关系抽取仍然是该领域的一项重要挑战。针对关系抽取场景中未知类别样本识别问题,提出了一种原型对比学习驱动的鲁棒性关系抽取方法。根据高斯分布为每个类别初始化可学习的原型中心,通过改进对比学习损失函数拉近同类样本到类别原型的距离,进一步通过增加正则化项约束样本输出概率分布与异类原型的差异。与对比方法相比,所提方法在3个数据集下的开集准确率比次优的模型分别提升了2.93%,3.16%,3.18%,且在闭集上的准确率没有降低,表明了模型能够在特征空间中拉近同类样本之间距离,推开异类样本之间距离,从而在不干扰已知关系类别的情况下,有效提升关系抽取模型对开放未知关系类别样本检测的鲁棒性。
- 吴涛徐敖远田侃先兴平袁野张姝曹新汶
- 关键词：关系抽取
- 基于隐马尔科夫模型的人脸识别技术研究
- 近年来，人脸识别技术越来越受到重视，已经成为计算机视觉、图像分析和理解中应用最成功的技术之一。本文系统的研究了基于嵌入式隐马尔科夫模型的人脸识别方法。完成的主要工作有以下几点：
首先本文针对传统人脸识别方法在受到表...
- 田侃
- 关键词：人脸识别隐马尔科夫模型离散余弦变换
- 文献传递
