买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国石油大学(华东)

摘要：本发明属于人工智能技术领域，特别涉及基于度量小样本学习方法的分子性质预测方法。本发明采用了原型网络框架结合图预训练策略、低秩表示、对比学习和优化的SinkhornK‑means算法。原型网络框架，旨在解决图数据的特征学习和聚类问题，利用原型网络框架结合图提取了分子的通用特征，包括局部和全局信息，以应对分子复杂性。通过低秩表示，将高维分子数据映射到更紧凑的表示空间，有助于提高预测性能。引入了对比学习来保持数据在降维后的结构特征，以进一步提高预测准确性。借助扩展的SinkhornK‑means算法，将带有标签的数据集成到预测模型中，从而实现更精确的分子性质预测。

主权项：1.基于度量小样本学习方法的分子性质预测方法，其特征在于，包括以下步骤：S1、选用原型网络框架构建模型的框架；S2、借助原型网络框架结合图方法学习分子图的通用特征；S3、运用低秩表示对数据进行降维处理，得到子空间和降维后的嵌入表示；S4、使用对比学习捕获数据点与其邻居和其他数据点之间的相似性；S5、采用扩展的SinkhornK-means算法，将带标签的数据纳入算法，进行数据的聚类分析，其中，带标签的数据为五个公开可用的基准数据集，分别是血脑屏障穿透性数据集、毒性数据集ClinTox、β分泌酶的抑制活性数据集、人类免疫缺陷病毒数据集与毒性数据集Tox21；步骤S3中，模型需要进行子空间学习，其中，子空间学习包括SVD分解和QR分解，SVD分解的公式如下： ；其中，A是待分解的矩阵原矩阵，U是大小为m×m的酉矩阵，也是左奇异矩阵，V是大小为n×n的酉矩阵，也是右奇异矩阵，Σ是一个包含有奇异值的对角矩阵，大小为m×n，U和V是两个正交矩阵，其中的每一行或每一列分别被称为左奇异向量和右奇异向量，T表示矩阵的转置；QR分解的公式如下： ；其中，Q是一个m×n的正交矩阵，其列向量是彼此正交且是单位长度的，满足；即：Q的转置和Q的乘积等于单位矩阵I，而R是一个n×n的上三角矩阵，即：除了主对角线及其以上的元素外，其他元素都为零；步骤S3中，低秩表示的具体步骤如下：A1、对原始数据进行QR分解，将输入矩阵降维为一个三角矩阵R，其包含了数据的主要结构信息；A2、对三角矩阵R进行SVD分解，得到左奇异矩阵U；A3、在U的基础上求出相似矩阵S，通过计算左奇异矩阵U与其转置的乘积，得到相似性矩阵W，即：；其中，S是相似矩阵，U是左奇异矩阵,T表示矩阵的转置；A4、对相似性矩阵S的对角线元素进行置零操作；A5、为了使得每个数据点的相似性权重之和为1，对相似性矩阵S进行归一化操作；A6、根据相似矩阵S构建不相似矩阵S1，不相似矩阵S1是与相似矩阵S具有相同形状的全1矩阵，对于一个N-wayK-shotC-query问题，不相似矩阵S1的计算公式如下： ；其中e是全1向量，E是单位矩阵，N是类别数，K是每个类别样本数，C是查询集样本数量，T表示矩阵的转置；步骤S3中，数据降维的步骤如下：B1、通过最大化相似特征的相似性和最小化不相似特征的不相似性，学习到特征在子空间的投影P，即： ；其中F为分子特征,S1是不相似矩阵，S是相似矩阵，T表示矩阵的转置；B2、对P进行特征值分解，提取其特征向量并保留前k个最大特征值对应的特征向量，将原始数据矩阵与这些特征向量相乘，即可将数据F映射到一个新的坐标空间，即： ；其中V是前k个最大的特征向量，F1是数据在新坐标空间的特征映射；步骤S5中，扩展的SinkhornK-means算法指的是基于SinkhornK-means算法对数据进行聚类，它是在K-means算法的基础上进行改进，通过引入最优传输矩阵和Sinkhorn进行迭代，首先初始化K个聚类中心，然后，通过迭代的方式不断更新聚类中心和数据点之间的关系；扩展的SinkhornK-means算法进行聚类分析的步骤如下：C1、初始化类中心，借鉴原型网络，对支撑集中所有样本的嵌入取平均，得到各个类别的原型表示，也就是初始的类中心向量；C2、根据每个数据点与聚类中心的距离M，计算概率转移矩阵P，使用Sinkhorn算法进行迭代优化，得到稳定的矩阵；C3、根据概率转移矩阵P，计算每个化合物点属于每个类别的概率，得到概率矩阵；C4、计算新的类中心并更新类中心，将概率转移矩阵与数据降维后的嵌入相乘，得到每个类别中样本的加权和，再将其与总样本数相除，即可得到类中心的估计值；将计算的估计值与原始类中心的差值作为类中心的更新量，使用学习率对更新量进行调整缩，并将调整更新后的值加到原始类中心上，完成类中心的更新，即： ；C5、重复上述步骤，直到聚类中心不再发生显著变化或达到最大迭代次数。

全文数据：

权利要求：

百度查询： 中国石油大学(华东) 基于度量小样本学习方法的分子性质预测方法