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！

龙图腾网恭喜中科南京人工智能创新研究院申请的专利面向视觉问答模型的分层对比反事实学习方法及系统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：CN119166795B 。

龙图腾网通过国家知识产权局官网在2025-03-25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：202411670779.8，技术领域涉及：G06F16/3329；该发明授权面向视觉问答模型的分层对比反事实学习方法及系统是由汪群博;朱欣鑫;刘静设计研发完成，并于2024-11-21向国家知识产权局提交的专利申请。

本面向视觉问答模型的分层对比反事实学习方法及系统在说明书摘要公布了：本发明公开了一种面向视觉问答模型的分层对比反事实学习方法及系统，该方法包括获取原始图像数据和问题文本数据，构建多模态联合张量数据，基于投影矩阵计算概率分布，筛选样本并动态调整权重；构建多模态图结构，基于特征增强矩阵进行模态对齐，执行动态特征融合；建立多层次概率知识结构，生成反事实样本，执行知识融合运算；构建多层次距离度量体系，执行自适应权重优化，进行谱聚类优化和边界调整；构建多维评估指标体系，执行稳定性分析和动态性能追踪，得到最终的性能评估指标数据。本发明通过分层对比反事实学习框架提升了视觉问答模型的性能，实现了特征表示的优化、知识结构的动态调整和模型性能的精确评估。

本发明授权面向视觉问答模型的分层对比反事实学习方法及系统在权利要求书中公布了：1.面向视觉问答模型的分层对比反事实学习方法，其特征在于，包括如下步骤：S1、获取原始图像数据和问题文本数据并进行预处理，构建张量特征；基于张量特征，生成投影矩阵；根据投影矩阵计算概率分布，基于概率分布，筛选得到样本；基于样本的密度，动态调整样本权重，得到平衡后的正负样本对集合；S2、基于平衡后的正负样本对集合，构建图像、问题和答案的邻接关系矩阵；基于邻接关系矩阵，计算特征增强矩阵；基于特征增强矩阵，依序进行模态间对齐和动态特征融合运算，得到增强的特征表示；基于增强的特征表示，进行特征质量评估，得到质量评分数据；S3、基于增强的特征表示和质量评分数据，构建多层次概率知识结构；基于多层次概率知识结构，生成反事实样本，构建概率推理框架；基于概率推理框架，依序进行知识融合运算和不确定性量化，得到反事实知识图谱和概率推理矩阵数据；S4、基于反事实知识图谱和概率推理矩阵数据，构建多层次距离度量体系；基于多层次距离度量体系，进行自适应权重优化，得到优化后的权重系数数据；基于优化后的权重系数数据，计算对比损失，并依序进行谱聚类优化和边界调整，得到优化后的对比学习表示和距离度量数据；S5、基于优化后的对比学习表示和距离度量数据，构建多维评估指标体系；基于多维评估指标体系，进行稳定性分析，计算鲁棒性指标；基于鲁棒性指标，进行动态性能追踪，得到追踪结果；对追踪结果进行综合评估，得到最终的性能评估指标数据；步骤S3进一步为：S31、基于增强的特征表示和质量评分数据，提取实体、关系和概念层次信息；将实体、关系和概念层次信息整合为三维概率张量，对三维概率张量进行递归分解运算得到各层次的分解矩阵；基于分解矩阵，计算层次间的转移概率；对转移概率进行归一化处理，得到层次化知识结构数据；S32、基于层次化知识结构数据，构建因果关系矩阵；基于因果关系矩阵，计算每个样本在干预操作下的状态变化；基于状态变化和增强的特征表示的差异，生成反事实状态；将增强的特征表示和反事实状态组合，得到反事实样本数据；S33、基于反事实样本数据，计算样本的条件概率；基于增强的特征表示，估计样本特征的先验概率；基于条件概率和先验概率，计算后验概率分布；将条件概率、先验概率和后验概率分布进行整合，得到概率推理框架数据；S34、基于概率推理框架数据，计算不同知识来源间的KL散度矩阵，构建条件互信息网络；基于KL散度矩阵和条件互信息网络，计算知识融合权重，并进行加权融合运算，得到融合后的知识表示数据；S35、基于融合后的知识表示数据，计算知识分布的熵值矩阵；基于熵值矩阵，计算信息增益率，构建归一化的置信度评分；基于置信度评分，将融合后的知识表示数据和熵值矩阵整合，得到反事实知识图谱和概率推理矩阵数据；步骤S31进一步为：S311、基于增强的特征表示和质量评分数据，构建实体特征矩阵，计算实体间的语义相关度；基于语义相关度，采用层次化聚类算法，得到聚类结果；对聚类结果进行概率分配，得到实体层次概率数据；S312、基于实体层次概率数据，构建关系描述矩阵，计算关系类型分布；基于关系类型分布，进行关系模式挖掘，得到挖掘结果；对挖掘结果进行可信度评估，得到关系概率分布数据；S313、基于实体层次概率数据和关系概率分布数据，构建概念抽象函数，计算概念泛化路径；基于概念泛化路径，进行概念层次推导，得到推导结果；对推导结果进行一致性检验，得到概念层次结构数据；S314、基于实体层次概率数据、关系概率分布数据和概念层次结构数据，构建三阶概率张量，计算张量元素初始值；基于张量元素初始值，进行稀疏性约束，得到约束结果；对约束结果进行数值稳定化，得到初始概率张量数据；S315、基于初始概率张量数据，构建核范数最小化目标函数，计算张量奇异值；基于张量奇异值，采用加速近似算法，得到近似结果；对近似结果进行截断处理，得到低秩分解数据；S316、基于低秩分解数据，构建递归分解函数，计算子张量特征；基于子张量特征，采用交替优化算法，得到优化结果；对优化结果进行正则化处理，得到层次分解矩阵数据；S317、基于层次分解矩阵数据，构建状态转移函数，计算条件转移概率；基于条件转移概率，进行马尔可夫链模拟，得到模拟结果，对模拟结果进行平稳性检验，得到初始转移概率数据；S318、基于初始转移概率数据，构建概率流分布函数，计算流量平衡约束；基于流量平衡约束，采用迭代平衡算法，得到平衡结果；对平衡结果进行归一化处理，得到层次化知识结构数据。

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中科南京人工智能创新研究院，其通讯地址为：211135 江苏省南京市江宁区创研路266号麒麟人工智能产业园3号楼3楼；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”。