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！

龙图腾网恭喜同济大学申请的专利一种基于代价敏感的稀有肿瘤类别小样本分类的方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114170426B 。

龙图腾网通过国家知识产权局官网在2025-03-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111310276.6，技术领域涉及：G06F17/40；该发明授权一种基于代价敏感的稀有肿瘤类别小样本分类的方法是由路建伟;李波;王培军;王毅诚;罗烨;许晓雯设计研发完成，并于2021-11-04向国家知识产权局提交的专利申请。

本一种基于代价敏感的稀有肿瘤类别小样本分类的方法在说明书摘要公布了：本发明公开了一种基于代价敏感的稀有肿瘤类别小样本分类的方法。现有的小样本学习方法大都忽略了特征空间的特殊性与迁移性，本发明则重点关注于此，构建的特征存储与筛选模块让前一阶段预训练中的特征能被后一阶段的元学习充分利用。首先，构建一个传统的深度学习神经网络进行预训练，对类似任务的非稀有类别数据集进行学习，冻结预训练模型的参数并存储预训练样本中每个类别的特征原型以及特征方差。接下来，通过Transformer编码当前特征与上一阶段选择出来的类别原型之间的关系，进而生成基于当前特征的新特征用于小样本分类器的分类。并在元学习过程中引入了可学习的代价敏感函数，从而使网络对稀有类别的样本更加具有敏感性。

本发明授权一种基于代价敏感的稀有肿瘤类别小样本分类的方法在权利要求书中公布了：1.一种基于代价敏感的稀有肿瘤类别小样本分类的方法，其特征在于，包括以下步骤：步骤1构建获取稀有肿瘤类别小样本数据集并进行预处理，数据集根据实际问题进行收集；步骤2构建特征学习预训练网络学习非稀有类别的数据集并进行参数冻结和特征存储，用于后续任务的利用；步骤3提取特征并存储，在预训练阶段提取特征并存储在特征库中，之前学习到的特征将被分布映射为类高斯分布，每个类别的特征原型和方差存储在特征库中；步骤4构造特征筛选模块，通过计算当前特征与预训练特征空间内类别的特征原型的相似性，选择出与当前样本特征最为相近的k个预训练类别作为候选类别，实现后续特征的迁移与过渡；步骤5构造基于注意力机制的分类器元学习方法，Transformer通过上一步的特征集来编码当前样本特征与筛选出的类别原型的关系，完成特征迁移；步骤6在元学习的分类过程中引入可学习的代价敏感函数，从而使网络对稀有类别的样本更具有敏感性，通过设定最大和最小值，让权重在区间内进行学习取得合适的值，以实现对不同样本的不同敏感程度；步骤3中，预训练阶段得到的特征将被映射为类高斯分布并存储到特征库中，包括以下步骤：3.1每个类别的特征通过powertransform进行分布映射为类高斯分布： 其中v表示每个类别的样本特征，∈和β为超参数，通过fv将v的分布映射为类高斯分布；3.2为对应类别计算特征均值和特征方差，计算公式如下： 其中μi是第i类的特征均值，δi是第i类的特征方差；xj表示第j个样本的特征，fxj表示PowerTransform后类高斯分布下该样本的特征，ni表示属于类别i的样本数量；3.3假设预训练过程中有n个类别，那么将n个对应类别的特征均值和特征方差存储到特征库中，每个类别占据特征库的一栏；步骤4中，根据相似度选择出与当前样本特征最为相近的k个预训练类别作为候选类别，实现后续特征的迁移与过渡，包括以下步骤：4.1计算当前特征与预训练特征空间内类别的特征原型的相似性，相似度计算公式表示为： 其中a,b为两个输入的特征，通过计算两个特征的距离，求其倒数使得a和b越相似、距离越近，sa,b越大；分母增加一个较小常数δ的目的是防止分母为0；4.2为了减少网络的开销，选择与当前样本特征q最相似的特征库中前k个特征原型及对应的特征方差μi，δi，将这些特征组成新的特征集，用于下一阶段transformer的输入；步骤5中，构造基于注意力机制的分类器元学习方法包括以下步骤：5.1选取实际需要分类的任务，构建supportset和queryset；5.2通过之前预训练阶段训练好的网络，固定BackBone，提取出当前输入的特征；5.3通过步骤4的特征筛选，将当前输入特征与k个最相似的特征一起输入到transformer中；5.4训练transformer的过程中，通过高斯采样的方式模拟每个被选择类别在特征空间内的表达形式，新生成的特征示为qi～Nμi，δi，即符合μi为均值、δi为方差的高斯分布；5.5Transformer编码当前特征与上一步筛选出来的类别原型之间的关系，完成特征迁移，进而通过Transformer的Decoder生成基于当前特征的新特征用于小样本分类器的分类；步骤6中，在元学习的分类过程中引入代价敏感函数，从而使网络对稀有类别的样本更加具有敏感性，在传统二分类交叉熵的基础上分别引入权重w1，w2：L＝-w1*y+logy+-w2*y-logy-其中y+为正样本的概率，y-为负样本的概率，w1、w2分别为权重超参数；通过增加稀有类别的权重使得网络对稀有类别样本更具敏感性；在元学习过程中，通过设置最大和最小值，让权重在该区间内自行学习，从而取得合适的权重，以实现分类器对不同样本的不同敏感程度，从而达到对待稀有样本更加关注的目的。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人同济大学，其通讯地址为：200092 上海市杨浦区四平路1239号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。