云边端协同工业深度学习模型集

（1）基于图神经网络增强语言模型的文档信息提取模型；可对多模态富视觉工业文档进行结构化建模与分析，自适应地融合文本、视觉及空间特征，从而在复杂版面场景下保持信息抽取的高准确性与泛化能力（2）基于概念漂移检测的时序表征学习模型；可对非平稳时间序列数据进行动态建模与分析，通过实时监测数据分布随时间的演变规律，自适应地更新时序特征的嵌入表示。（3）领域知识增强的统一信息抽取模型：可对文本信息进行实体抽取等操作，抽取文本中具有特定意义的信息实体与信息间关系，可将自然语言文本转换为结构化数据。（4）基于表征学习的多模态主数据融合模型：通过统一提取、对齐并融合图像、文本和时序数据的特征，生成三模态融合表征，并综合各模态信息生成新文本，实现跨模态语义理解与内容生成。（5）基于BERT微调的实体匹配模型：可对工业主数据中跨系统文本实体进行语义级匹配与对齐，自动识别同一实体的不同表达并输出匹配结论与置信度。（6）基于表示学习的多尺度邻居聚合实体对齐模型：通过融合实体结构信息与语义信息，学习实体嵌入表示并计算实体间相似度，实现语义一致实体的自动匹配。（7）少样本知识图谱补全模型：基于文本语义与图结构语义融合的少样本知识图谱补全模型，通过引入大语言模型语义编码与注意力映射机制，在极少标注样本条件下实现知识图谱中缺失三元组的高精度预测。（8）鲁棒工业跨域主数据质量评估模型：可检测并评估多模态工业主数据质量，助力制造平台提升数据质量。（9）基于基准注意力及贝叶斯更新策略的标签校正模型，可检测并校正跨域数据标签噪声，助力平台提升决策质量，联合优化分类器与标签修正过程；引入自适应噪声转移学习优化矩阵，提升含噪标签准确性，保障平台效率与用户体验。（10）多源主数据自适应异常监测与数据增强模型：可对多源时序数据在跨端口与复杂工况条件下产生的异常进行监测与结构化修复，通过标签一致性校验机制实现异常数据段的精准识别。