[發明專利]用于對比網絡分析和可視化的系統和方法

在審

• 申請號: 202011557378.3
• 申請日: 2020-12-24
• 公開（公告）號: CN113176917A
• 公開（公告）日: 2021-07-27
• 發明（設計）人: 藤原孝紀;趙健;弗朗辛·陳
• 申請（專利權）人: 富士膠片商業創新有限公司
• 主分類號: G06F9/451
• 分類號: G06F9/451;G06F17/16;G06N20/00
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 劉久亮;黃綸偉

1.一種使用機器學習相對于數據的背景網絡來分析目標網絡的方法，該方法包括以下步驟：

從表示所述目標網絡的鄰接矩陣中提取第一特征矩陣；

從表示所述背景網絡的鄰接矩陣中提取第二特征矩陣；

使用對比學習算法，基于所述第一特征矩陣和所述第二特征矩陣生成投影矩陣；

基于所述投影矩陣和所述第一特征矩陣，生成所述目標網絡的第一對比矩陣表示；

基于所述投影矩陣和所述第二特征矩陣，生成所述背景網絡的第二對比矩陣表示；以及

基于所述第一對比矩陣和所述第二對比矩陣，顯示對于所述目標網絡相對于所述背景網絡的獨有特征的可視化。

2.根據權利要求1所述的方法，其中，使用網絡學習算法從表示所述目標網絡的鄰接矩陣中提取所述第一特征矩陣；并且

其中，使用所述網絡學習算法從表示所述背景網絡的鄰接矩陣中提取所述第二特征矩陣。

3.根據權利要求2所述的方法，其中，所述網絡學習算法是DeepGL算法。

4.根據權利要求1所述的方法，其中，所述目標網絡是在特定時間生成的與患者相關聯的神經元網絡表示；

其中，所述背景網絡是在所述特定時間之前的先前時間生成的與所述患者相關聯的神經元網絡表示；并且

其中，所述方法還包括基于所述目標網絡的經可視化的所述獨有特征，識別在所述特定時間生成的與所述患者相關聯的所述神經元網絡表示中的變化。

5.根據權利要求1所述的方法，其中，所述目標網絡是在特定時間生成的與研究領域相關聯的社交協作網絡；

其中，所述背景網絡是在所述特定時間之前的先前時間生成的與研究領域相關聯的社交協作網絡；并且

其中，所述方法還包括基于所述目標網絡的經可視化的所述獨有特征，識別在所述特定時間生成的與研究領域相關聯的所述社交協作網絡中的變化。

6.根據權利要求1所述的方法，其中，所述目標網絡是第一生物物種的表型特征的網絡表示；

其中，所述背景網絡是相關的第二生物物種的表型特征的網絡表示；并且

其中，所述方法還包括基于所述目標網絡的經可視化的所述獨有特征來識別所述第一生物物種的特有表型特征。

7.根據權利要求1所述的方法，其中，所述目標網絡是在被診斷為患有第一生物疾病的患者中發現的癥狀之間的鏈接的網絡表示；

其中，所述背景網絡是在被診斷為患有第二生物疾病的患者中發現的癥狀之間的鏈接的網絡表示；并且

其中，所述方法還包括基于所述目標網絡的經可視化的所述獨有特征來識別對于所述第一生物疾病獨有的特有癥狀。

8.根據權利要求1所述的方法，其中，所述目標網絡是正由網絡建模應用建模的現實世界網絡；

其中，所述背景網絡是由所述網絡建模應用生成的表示所述現實世界網絡的模型網絡；并且

其中，所述方法還包括更新所述網絡建模應用，以包括所述目標網絡的經可視化的所述獨有特征。

9.一種非暫時性計算機可讀介質，所述非暫時性計算機可讀介質被編碼有用于使計算裝置執行使用機器學習相對于數據的背景網絡來分析目標網絡的方法的指令，所述方法包括以下步驟：

從表示所述目標網絡的鄰接矩陣中提取第一特征矩陣；

從表示所述背景網絡的鄰接矩陣中提取第二特征矩陣；

使用對比學習算法，基于所述第一特征矩陣和所述第二特征矩陣生成投影矩陣；

基于所述投影矩陣和所述第一特征矩陣，生成所述目標網絡的第一對比矩陣表示；

基于所述投影矩陣和所述第二特征矩陣，生成所述背景網絡的第二對比矩陣表示；以及

基于所述第一對比矩陣和所述第二對比矩陣，顯示對于所述目標網絡相對于所述背景網絡的獨有特征的可視化。