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)恭喜浙江工業(yè)大學(xué)申請的專利一種基于動態(tài)時(shí)序圖的模型性能推理方法與裝置獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114818459B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-04-15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?zhí)?專利號為：202210215486.5，技術(shù)領(lǐng)域涉及：G06F30/27；該發(fā)明授權(quán)一種基于動態(tài)時(shí)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(shè)計(jì)研發(fā)完成，并于2022-03-07向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于動態(tài)時(shí)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(fā)明公開了一種基于動態(tài)時(shí)序圖的模型性能推理方法與裝置，通過將神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程映射為時(shí)間演化圖，提取時(shí)間演化圖中的節(jié)點(diǎn)特征，為了能夠預(yù)測異構(gòu)模型的性能，提出進(jìn)一步提取節(jié)點(diǎn)特征中的多維統(tǒng)計(jì)特征，將多維統(tǒng)計(jì)特征聚合為時(shí)序特征，實(shí)現(xiàn)對模型性能的預(yù)測。本發(fā)明方法提出的神經(jīng)網(wǎng)絡(luò)模型構(gòu)圖方式，比現(xiàn)有的卷積層中的展開構(gòu)圖方式更簡潔、計(jì)算效率更高，同時(shí)不會犧牲預(yù)測任務(wù)的性能。本發(fā)明通過捕獲模型訓(xùn)練階段早期的神經(jīng)網(wǎng)絡(luò)動態(tài)來解決神經(jīng)網(wǎng)絡(luò)模型性能預(yù)測問題，能減少神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果的不確定性，提高模型訓(xùn)練效率。

本發(fā)明授權(quán)一種基于動態(tài)時(shí)序圖的模型性能推理方法與裝置在權(quán)利要求書中公布了：1.一種基于動態(tài)時(shí)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(shù)據(jù)集，構(gòu)建種子模型，設(shè)定模型訓(xùn)練參數(shù)，使用數(shù)據(jù)集訓(xùn)練種子模型，得到種子模型的檢查點(diǎn)；2讀取步驟1生成的種子模型的檢查點(diǎn)，初始化無向有權(quán)圖，將種子模型的映射為時(shí)間演化圖；所述步驟2具體為：2.1讀取神經(jīng)網(wǎng)絡(luò)模型檢查點(diǎn)：讀取步驟1生成的種子模型保存的檢查點(diǎn)保存至矩陣θ；其中θ包含模型的全部參數(shù)，Ki表示是該模型第i層的核，對于卷積層有fi個(gè)濾波器；對于全連接層有fi個(gè)神經(jīng)元；模型層數(shù)為deep_n，節(jié)點(diǎn)數(shù)為node_n；2.2初始化圖所述圖為無向有權(quán)圖；將模型的Ki層的濾波器或神經(jīng)元映射為節(jié)點(diǎn)即在Ki層創(chuàng)建fi個(gè)節(jié)點(diǎn)并分別表示為設(shè)圖的節(jié)點(diǎn)屬性為空，相鄰兩層的節(jié)點(diǎn)之間的權(quán)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(quán)重θ映射為圖具體表示為以下公式： 其中，||·||為范數(shù)公式，為第i層核的第k個(gè)濾波器，為下一層核的第l個(gè)濾波器，即為兩個(gè)濾波器之間的參數(shù)取范數(shù)；為第i層核的第k個(gè)節(jié)點(diǎn)和第j層核的第l個(gè)節(jié)點(diǎn)的權(quán)邊；重復(fù)上述步驟，直至該模型的每層參數(shù)都被映射為圖2.4重復(fù)上述步驟2.1～步驟2.3，直至全部映射為時(shí)間演化圖所有種子模型Ν映射為時(shí)間演化圖集合3計(jì)算時(shí)間演化圖對應(yīng)的特征向量中心性，得到圖節(jié)點(diǎn)特征；4將步驟2得到的時(shí)間演化圖中t時(shí)刻的圖稱為時(shí)間靜態(tài)圖，利用圖節(jié)點(diǎn)特征計(jì)算每個(gè)時(shí)刻靜態(tài)圖的統(tǒng)計(jì)特征，聚合得到時(shí)序特征；5基于時(shí)序特征構(gòu)建損失函數(shù)，訓(xùn)練得到性能預(yù)測分類器，通過性能預(yù)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(biāo)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(jìn)行分類，對應(yīng)的下游分類任務(wù)性能用分段閾值映射為類標(biāo)L＝{l0,l1}；其中l(wèi)0表示性能不足的模型，l1表示性能充足的模型；5.2劃分訓(xùn)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(xùn)練集Dtrain和測試集Dtest；其中訓(xùn)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(shí)序特征構(gòu)建損失函數(shù)，利用步驟5.2的訓(xùn)練集Dtrain訓(xùn)練分類器，得到性能預(yù)測分類器；自定義設(shè)置訓(xùn)練分類器的超參數(shù)：訓(xùn)練輪數(shù)、批處理樣本數(shù)、梯度更新規(guī)則；訓(xùn)練分類器的損失函數(shù)公式如下： 其中ω是分類器的權(quán)重參數(shù)；li表示模型訓(xùn)練的最優(yōu)性能，取l0或l1；為訓(xùn)練迭代中模型性能的預(yù)測的概率值；直到分類器訓(xùn)練損失函數(shù)收斂，得到訓(xùn)練好的性能預(yù)測分類器；5.4將步驟5.3訓(xùn)練得到性能預(yù)測分類器用于模型性能預(yù)測；將性能預(yù)測分類器以精確率作為預(yù)測性能的評價(jià)指標(biāo)；將步驟5.2得到的測試集Dtest輸入到性能預(yù)測分類器，完成模型性能預(yù)測。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人浙江工業(yè)大學(xué)，其通訊地址為：310014 浙江省杭州市下城區(qū)潮王路18號；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)”。