買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜浙江工業大學申請的專利一種基于動態時序圖的模型性能推理方法與裝置獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN114818459B 。

龍圖騰網通過國家知識產權局官網在2025-04-15發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210215486.5，技術領域涉及：G06F30/27；該發明授權一種基于動態時序圖的模型性能推理方法與裝置是由陳晉音;葛杰;金海波;賈澄鈺;宣琦設計研發完成，并于2022-03-07向國家知識產權局提交的專利申請。

本一種基于動態時序圖的模型性能推理方法與裝置在說明書摘要公布了：本發明公開了一種基于動態時序圖的模型性能推理方法與裝置，通過將神經網絡模型的訓練過程映射為時間演化圖，提取時間演化圖中的節點特征，為了能夠預測異構模型的性能，提出進一步提取節點特征中的多維統計特征，將多維統計特征聚合為時序特征，實現對模型性能的預測。本發明方法提出的神經網絡模型構圖方式，比現有的卷積層中的展開構圖方式更簡潔、計算效率更高，同時不會犧牲預測任務的性能。本發明通過捕獲模型訓練階段早期的神經網絡動態來解決神經網絡模型性能預測問題，能減少神經網絡訓練結果的不確定性，提高模型訓練效率。

本發明授權一種基于動態時序圖的模型性能推理方法與裝置在權利要求書中公布了：1.一種基于動態時序圖的模型性能推理方法，其特征在于，包括以下步驟：1選取數據集，構建種子模型，設定模型訓練參數，使用數據集訓練種子模型，得到種子模型的檢查點；2讀取步驟1生成的種子模型的檢查點，初始化無向有權圖，將種子模型的映射為時間演化圖；所述步驟2具體為：2.1讀取神經網絡模型檢查點：讀取步驟1生成的種子模型保存的檢查點保存至矩陣θ；其中θ包含模型的全部參數，Ki表示是該模型第i層的核，對于卷積層有fi個濾波器；對于全連接層有fi個神經元；模型層數為deep_n，節點數為node_n；2.2初始化圖所述圖為無向有權圖；將模型的Ki層的濾波器或神經元映射為節點即在Ki層創建fi個節點并分別表示為設圖的節點屬性為空，相鄰兩層的節點之間的權邊為即初始化圖為2.3將種子模型的映射到圖具體為：將模型的權重θ映射為圖具體表示為以下公式： 其中，||·||為范數公式，為第i層核的第k個濾波器，為下一層核的第l個濾波器，即為兩個濾波器之間的參數取范數；為第i層核的第k個節點和第j層核的第l個節點的權邊；重復上述步驟，直至該模型的每層參數都被映射為圖2.4重復上述步驟2.1～步驟2.3，直至全部映射為時間演化圖所有種子模型Ν映射為時間演化圖集合3計算時間演化圖對應的特征向量中心性，得到圖節點特征；4將步驟2得到的時間演化圖中t時刻的圖稱為時間靜態圖，利用圖節點特征計算每個時刻靜態圖的統計特征，聚合得到時序特征；5基于時序特征構建損失函數，訓練得到性能預測分類器，通過性能預測分類器完成模型性能推理；所述步驟5具體包括以下子步驟：5.1建立性能標簽，劃分性能充足和性能不足的模型；將步驟1得到的種子模型進行分類，對應的下游分類任務性能用分段閾值映射為類標L＝{l0,l1}；其中l0表示性能不足的模型，l1表示性能充足的模型；5.2劃分訓練集和測試集；將步驟5.1得到的性能充足模型和性能不足模型，劃分為訓練集Dtrain和測試集Dtest；其中訓練集Dtrain分別取l0的90％和l1的90％，測試集Dtest取l0的其余10％和l1的其余10％；5.3基于時序特征構建損失函數，利用步驟5.2的訓練集Dtrain訓練分類器，得到性能預測分類器；自定義設置訓練分類器的超參數：訓練輪數、批處理樣本數、梯度更新規則；訓練分類器的損失函數公式如下： 其中ω是分類器的權重參數；li表示模型訓練的最優性能，取l0或l1；為訓練迭代中模型性能的預測的概率值；直到分類器訓練損失函數收斂，得到訓練好的性能預測分類器；5.4將步驟5.3訓練得到性能預測分類器用于模型性能預測；將性能預測分類器以精確率作為預測性能的評價指標；將步驟5.2得到的測試集Dtest輸入到性能預測分類器，完成模型性能預測。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人浙江工業大學，其通訊地址為：310014 浙江省杭州市下城區潮王路18號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。