買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜中科南京人工智能創(chuàng)新研究院申請(qǐng)的專利面向視覺問(wèn)答模型的分層對(duì)比反事實(shí)學(xué)習(xí)方法及系統(tǒng)獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN119166795B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-03-25發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202411670779.8，技術(shù)領(lǐng)域涉及：G06F16/3329；該發(fā)明授權(quán)面向視覺問(wèn)答模型的分層對(duì)比反事實(shí)學(xué)習(xí)方法及系統(tǒng)是由汪群博;朱欣鑫;劉靜設(shè)計(jì)研發(fā)完成，并于2024-11-21向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本面向視覺問(wèn)答模型的分層對(duì)比反事實(shí)學(xué)習(xí)方法及系統(tǒng)在說(shuō)明書摘要公布了：本發(fā)明公開了一種面向視覺問(wèn)答模型的分層對(duì)比反事實(shí)學(xué)習(xí)方法及系統(tǒng)，該方法包括獲取原始圖像數(shù)據(jù)和問(wèn)題文本數(shù)據(jù)，構(gòu)建多模態(tài)聯(lián)合張量數(shù)據(jù)，基于投影矩陣計(jì)算概率分布，篩選樣本并動(dòng)態(tài)調(diào)整權(quán)重；構(gòu)建多模態(tài)圖結(jié)構(gòu)，基于特征增強(qiáng)矩陣進(jìn)行模態(tài)對(duì)齊，執(zhí)行動(dòng)態(tài)特征融合；建立多層次概率知識(shí)結(jié)構(gòu)，生成反事實(shí)樣本，執(zhí)行知識(shí)融合運(yùn)算；構(gòu)建多層次距離度量體系，執(zhí)行自適應(yīng)權(quán)重優(yōu)化，進(jìn)行譜聚類優(yōu)化和邊界調(diào)整；構(gòu)建多維評(píng)估指標(biāo)體系，執(zhí)行穩(wěn)定性分析和動(dòng)態(tài)性能追蹤，得到最終的性能評(píng)估指標(biāo)數(shù)據(jù)。本發(fā)明通過(guò)分層對(duì)比反事實(shí)學(xué)習(xí)框架提升了視覺問(wèn)答模型的性能，實(shí)現(xiàn)了特征表示的優(yōu)化、知識(shí)結(jié)構(gòu)的動(dòng)態(tài)調(diào)整和模型性能的精確評(píng)估。

本發(fā)明授權(quán)面向視覺問(wèn)答模型的分層對(duì)比反事實(shí)學(xué)習(xí)方法及系統(tǒng)在權(quán)利要求書中公布了：1.面向視覺問(wèn)答模型的分層對(duì)比反事實(shí)學(xué)習(xí)方法，其特征在于，包括如下步驟：S1、獲取原始圖像數(shù)據(jù)和問(wèn)題文本數(shù)據(jù)并進(jìn)行預(yù)處理，構(gòu)建張量特征；基于張量特征，生成投影矩陣；根據(jù)投影矩陣計(jì)算概率分布，基于概率分布，篩選得到樣本；基于樣本的密度，動(dòng)態(tài)調(diào)整樣本權(quán)重，得到平衡后的正負(fù)樣本對(duì)集合；S2、基于平衡后的正負(fù)樣本對(duì)集合，構(gòu)建圖像、問(wèn)題和答案的鄰接關(guān)系矩陣；基于鄰接關(guān)系矩陣，計(jì)算特征增強(qiáng)矩陣；基于特征增強(qiáng)矩陣，依序進(jìn)行模態(tài)間對(duì)齊和動(dòng)態(tài)特征融合運(yùn)算，得到增強(qiáng)的特征表示；基于增強(qiáng)的特征表示，進(jìn)行特征質(zhì)量評(píng)估，得到質(zhì)量評(píng)分?jǐn)?shù)據(jù)；S3、基于增強(qiáng)的特征表示和質(zhì)量評(píng)分?jǐn)?shù)據(jù)，構(gòu)建多層次概率知識(shí)結(jié)構(gòu)；基于多層次概率知識(shí)結(jié)構(gòu)，生成反事實(shí)樣本，構(gòu)建概率推理框架；基于概率推理框架，依序進(jìn)行知識(shí)融合運(yùn)算和不確定性量化，得到反事實(shí)知識(shí)圖譜和概率推理矩陣數(shù)據(jù)；S4、基于反事實(shí)知識(shí)圖譜和概率推理矩陣數(shù)據(jù)，構(gòu)建多層次距離度量體系；基于多層次距離度量體系，進(jìn)行自適應(yīng)權(quán)重優(yōu)化，得到優(yōu)化后的權(quán)重系數(shù)數(shù)據(jù)；基于優(yōu)化后的權(quán)重系數(shù)數(shù)據(jù)，計(jì)算對(duì)比損失，并依序進(jìn)行譜聚類優(yōu)化和邊界調(diào)整，得到優(yōu)化后的對(duì)比學(xué)習(xí)表示和距離度量數(shù)據(jù)；S5、基于優(yōu)化后的對(duì)比學(xué)習(xí)表示和距離度量數(shù)據(jù)，構(gòu)建多維評(píng)估指標(biāo)體系；基于多維評(píng)估指標(biāo)體系，進(jìn)行穩(wěn)定性分析，計(jì)算魯棒性指標(biāo)；基于魯棒性指標(biāo)，進(jìn)行動(dòng)態(tài)性能追蹤，得到追蹤結(jié)果；對(duì)追蹤結(jié)果進(jìn)行綜合評(píng)估，得到最終的性能評(píng)估指標(biāo)數(shù)據(jù)；步驟S3進(jìn)一步為：S31、基于增強(qiáng)的特征表示和質(zhì)量評(píng)分?jǐn)?shù)據(jù)，提取實(shí)體、關(guān)系和概念層次信息；將實(shí)體、關(guān)系和概念層次信息整合為三維概率張量，對(duì)三維概率張量進(jìn)行遞歸分解運(yùn)算得到各層次的分解矩陣；基于分解矩陣，計(jì)算層次間的轉(zhuǎn)移概率；對(duì)轉(zhuǎn)移概率進(jìn)行歸一化處理，得到層次化知識(shí)結(jié)構(gòu)數(shù)據(jù)；S32、基于層次化知識(shí)結(jié)構(gòu)數(shù)據(jù)，構(gòu)建因果關(guān)系矩陣；基于因果關(guān)系矩陣，計(jì)算每個(gè)樣本在干預(yù)操作下的狀態(tài)變化；基于狀態(tài)變化和增強(qiáng)的特征表示的差異，生成反事實(shí)狀態(tài)；將增強(qiáng)的特征表示和反事實(shí)狀態(tài)組合，得到反事實(shí)樣本數(shù)據(jù)；S33、基于反事實(shí)樣本數(shù)據(jù)，計(jì)算樣本的條件概率；基于增強(qiáng)的特征表示，估計(jì)樣本特征的先驗(yàn)概率；基于條件概率和先驗(yàn)概率，計(jì)算后驗(yàn)概率分布；將條件概率、先驗(yàn)概率和后驗(yàn)概率分布進(jìn)行整合，得到概率推理框架數(shù)據(jù)；S34、基于概率推理框架數(shù)據(jù)，計(jì)算不同知識(shí)來(lái)源間的KL散度矩陣，構(gòu)建條件互信息網(wǎng)絡(luò)；基于KL散度矩陣和條件互信息網(wǎng)絡(luò)，計(jì)算知識(shí)融合權(quán)重，并進(jìn)行加權(quán)融合運(yùn)算，得到融合后的知識(shí)表示數(shù)據(jù)；S35、基于融合后的知識(shí)表示數(shù)據(jù)，計(jì)算知識(shí)分布的熵值矩陣；基于熵值矩陣，計(jì)算信息增益率，構(gòu)建歸一化的置信度評(píng)分；基于置信度評(píng)分，將融合后的知識(shí)表示數(shù)據(jù)和熵值矩陣整合，得到反事實(shí)知識(shí)圖譜和概率推理矩陣數(shù)據(jù)；步驟S31進(jìn)一步為：S311、基于增強(qiáng)的特征表示和質(zhì)量評(píng)分?jǐn)?shù)據(jù)，構(gòu)建實(shí)體特征矩陣，計(jì)算實(shí)體間的語(yǔ)義相關(guān)度；基于語(yǔ)義相關(guān)度，采用層次化聚類算法，得到聚類結(jié)果；對(duì)聚類結(jié)果進(jìn)行概率分配，得到實(shí)體層次概率數(shù)據(jù)；S312、基于實(shí)體層次概率數(shù)據(jù)，構(gòu)建關(guān)系描述矩陣，計(jì)算關(guān)系類型分布；基于關(guān)系類型分布，進(jìn)行關(guān)系模式挖掘，得到挖掘結(jié)果；對(duì)挖掘結(jié)果進(jìn)行可信度評(píng)估，得到關(guān)系概率分布數(shù)據(jù)；S313、基于實(shí)體層次概率數(shù)據(jù)和關(guān)系概率分布數(shù)據(jù)，構(gòu)建概念抽象函數(shù)，計(jì)算概念泛化路徑；基于概念泛化路徑，進(jìn)行概念層次推導(dǎo)，得到推導(dǎo)結(jié)果；對(duì)推導(dǎo)結(jié)果進(jìn)行一致性檢驗(yàn)，得到概念層次結(jié)構(gòu)數(shù)據(jù)；S314、基于實(shí)體層次概率數(shù)據(jù)、關(guān)系概率分布數(shù)據(jù)和概念層次結(jié)構(gòu)數(shù)據(jù)，構(gòu)建三階概率張量，計(jì)算張量元素初始值；基于張量元素初始值，進(jìn)行稀疏性約束，得到約束結(jié)果；對(duì)約束結(jié)果進(jìn)行數(shù)值穩(wěn)定化，得到初始概率張量數(shù)據(jù)；S315、基于初始概率張量數(shù)據(jù)，構(gòu)建核范數(shù)最小化目標(biāo)函數(shù)，計(jì)算張量奇異值；基于張量奇異值，采用加速近似算法，得到近似結(jié)果；對(duì)近似結(jié)果進(jìn)行截?cái)嗵幚恚玫降椭确纸鈹?shù)據(jù)；S316、基于低秩分解數(shù)據(jù)，構(gòu)建遞歸分解函數(shù)，計(jì)算子張量特征；基于子張量特征，采用交替優(yōu)化算法，得到優(yōu)化結(jié)果；對(duì)優(yōu)化結(jié)果進(jìn)行正則化處理，得到層次分解矩陣數(shù)據(jù)；S317、基于層次分解矩陣數(shù)據(jù)，構(gòu)建狀態(tài)轉(zhuǎn)移函數(shù)，計(jì)算條件轉(zhuǎn)移概率；基于條件轉(zhuǎn)移概率，進(jìn)行馬爾可夫鏈模擬，得到模擬結(jié)果，對(duì)模擬結(jié)果進(jìn)行平穩(wěn)性檢驗(yàn)，得到初始轉(zhuǎn)移概率數(shù)據(jù)；S318、基于初始轉(zhuǎn)移概率數(shù)據(jù)，構(gòu)建概率流分布函數(shù)，計(jì)算流量平衡約束；基于流量平衡約束，采用迭代平衡算法，得到平衡結(jié)果；對(duì)平衡結(jié)果進(jìn)行歸一化處理，得到層次化知識(shí)結(jié)構(gòu)數(shù)據(jù)。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人中科南京人工智能創(chuàng)新研究院，其通訊地址為：211135 江蘇省南京市江寧區(qū)創(chuàng)研路266號(hào)麒麟人工智能產(chǎn)業(yè)園3號(hào)樓3樓；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。