CN119474423A 基于Sinkhorn算法的零样本任务增强方法及系统 （杭州心智医联科技有限公司）

基于Sinkhorn算法的零样本任务增强方法纽值向量；根据相似度矩阵减去目标枢纽值向数据和去枢纽的相似度矩阵得到对应的目标数目标集中所有目标数据的枢纽值的精确估计的2S5、根据查询集与目标集的相似度矩阵减去S2d、将查询补充库和原始的查询集作为新的S4b、根据S2b中得到的目标集中目标数据的数量，对所3;;;根据输入的查询数据qi，对所述去枢纽的相似度矩阵中第i行的元素从大到小进行排8.基于Sinkhorn算法的零样本任务增强系统，用于实现上述权利要求1_7任一项所述相似度矩阵计算模块，与所述数据获取模块连接，用于计算查询吉布斯矩阵计算模块，与所述相似度矩阵计算模块连接，用枢纽值向量计算模块，与所述吉布斯矩阵计算模块连接，用于根据所述去枢纽模块，与所述相似度矩阵计算模块和所述目标枢纽值向量计查询模块，与所述去枢纽模块连接，用于根据输入的查询数4型（Vision_LanguageMo法。均匀表征类方法旨在让表征分布在表征空间尽可能均匀，也即让表征分布的方差尽可型会出现汇聚现象从而存在枢纽性问题的原因在于，模型的归一化技术如批次归一化（BatchNormalization）以及层归一化技术(LayerNormalization)会缩小表征分布的方差，而大模型中存在的非线性层如线性整流函数(RectifiedLinearUnit)或软最大函数技术亦或少使用归一化技术，并且设计针对性的损失函数以及训练方法，从而在训练时让模型输出的表征尽可能均匀地分布在表征空间。均匀表征类方法需要对模型结构或者参数数据被选择概率，对目标数据进行被选取概率补偿，从而让所有测试数据的被选择概率尽可能一致，从而缓解枢纽性问题。但是由于均衡概率类方法只考虑了目标侧的枢纽性而没有考虑查询侧的枢纽性，因此导致均衡概率类方法仅能得到次优解而非最优解，以及由于伪查询集与目标集分布差异大导致的单集枢纽估计存在较大偏差，使得枢纽问题未完全解决。56;;S5a、根据目标医学图文数据集包括的原始的查询集和目标集计算第一相似度矩;根据输入的查询数据qi，对去枢纽的相似度矩阵中第i行的元素从大到小进行排吉布斯矩阵计算模块，与相似度矩阵计算模块连接，用于对相似度矩阵进行7试时查询集分布未知情况下，能够对目标集中所有目标数据的枢纽值的精确估计的方法，图2是本发明实施例提供的一种基于Sinkhorn算法的零样本任务增强方法的流程图3是本发明实施例提供的一种基于Sinkhorn算法的零样本任务增强方法的逻辑图4是本发明实施例提供的一种基于Sinkhorn算法的零样本任务增强系统的结构8[0020]本发明提出了基于Sinkhorn算法的零样本任务增强方法，图2是本发明实施例提供的一种基于Sinkhorn算法的零样本任务增强方法的流程图，图3是本发明实施例提供的库与目标集间的相似度矩阵和查询补充库与目标snr=QfG,sn=KGn；[0032]为了求取目标联合分布，并使得Fla,t,)在与相似度矩阵s-;9;i表示第i[0035]当查询集中的查询数据数量大于1时，对相似度矩阵进行Sinkhorn归一化具体包熵超参数d=0.01。;;;[0044]当查询集中的查询数据数量等于1时，对相似度矩阵进行Sinkhorn归一化与当查询集中的查询数据数量大于1时类似，根据相似度[sr;ss]估计所有目标枢纽值[;;大到小进行排序，将排序最大的元素对应的目标数据作为输入的查询数据对应的目标数[0055]示例性地，本实施例以预训练的多模态病理大模型PLIP在Pubmed以及BookSet等提升病理图像理解和生成模型的能力，尤其是在文本与病理图像之间的映射,因此适合作索、基于倒置softmax方法增强后的检索和本方案的Sinkhorn归一化方法增强后的检索得体成分的双相生长。可见恶性间叶成分的息肉状腔内突出和腺体周围的间叶成分的凝聚”试时查询集分布未知情况下，能够对目标集中所有目标数据的枢纽值的精确估计的方法，实施例所述的基于Sinkhorn算法的零样本任务增强方法，图4是本发明实施例提供的一种吉布斯矩阵计算模块，与相似度矩阵计算模块连接，用于对相似度矩阵进行指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的