-
公开(公告)号：CN114926676A
公开(公告)日：2022-08-19
申请号：CN202210425626.1
申请日：2022-04-21
Applicant: 中国科学院信息工程研究所
IPC: G06V10/764 , G06K9/62 , G06V10/774 , G06F17/16 , G06V10/40 , G06V10/74
Abstract: 本发明公开了一种基于特征空间有效面积的自适应加权长尾分类方法及装置，所述方法包括：在原始数据的分布上训练特征提取器与分类器，得到基本分类模型；基于训练后的特征提取器，抽取所述原始数据的特征表示，并根据每一类别中所述特征表示之间的相关系数，构建该类别的相关系数矩阵；基于所述相关系数矩阵，计算每一类别在特征空间中的有效面积，并通过所述有效面积给各类别分配权重，训练所述基本分类模型，以得到分类模型；基于所述分类模型，获取待检测数据的分类结果。本发明通过估计特征空间中的有效面积从而给予不同的类别不同的权重损失，更好的划分特征空间，以对长尾数据进行更有效地分类。
-
公开(公告)号：CN114861766A
公开(公告)日：2022-08-05
申请号：CN202210387628.6
申请日：2022-04-13
Applicant: 中国科学院信息工程研究所
Abstract: 本发明涉及一种基于多粒度演化的动态链路预测方法和系统。该方法包括：对动态图的每个时间片下的图进行划分，得到多粒度子图；从多粒度子图中提取节点的结构特征；从多粒度子图中学习图的动态演变规律，得到不同粒度的子图的动态演化特征，并将不同粒度的子图的动态演化特征进行融合，得到节点的动态演化特征；将节点的结构特征与节点的动态演化特征融合，得到包含时空特征的节点表示，根据包含时空特征的节点表示预测未来链路。本发明能够挖掘更丰富的图信息，从而增强对结构特征的提取能力，提高链路预测的准确率；本发明能够充分实现动态特征的融合，增强对动态特征的学习能力，进而提高了链路预测的性能。
-
公开(公告)号：CN113806630A
公开(公告)日：2021-12-17
申请号：CN202110896075.2
申请日：2021-08-05
Applicant: 中国科学院信息工程研究所
IPC: G06F16/9535 , G06F16/9536 , G06K9/62
Abstract: 本发明公开了一种基于注意力的多视角特征融合跨域推荐方法及装置，包括利用公共用户在源域的域特性特征公共用户与物品在目标域的域特性特征与域特性特征IT、公共用户与物品在源域与目标域之间的潜在可迁移特征与潜在可迁移特征进行融合；基于融合结果进行训练；在最优模型的基础上，获取最优偏好预测集，以对公共用户进行目标域中的物品推荐。本发明解决了源域和目标域之间潜在可迁移特征的捕获问题，对不同类型的特征设置不同的权值，实现不同类型特征的有机结合和充分利用，进而提高推荐系统的性能。
-
公开(公告)号：CN113627479A
公开(公告)日：2021-11-09
申请号：CN202110775393.3
申请日：2021-07-09
Applicant: 中国科学院信息工程研究所
Abstract: 本发明公开了一种基于半监督学习的图数据异常检测方法。本方法为：1)数据分批采样模块将图数据样本进行分批，然后对于每一批图数据样本，以每一图数据样本中的每个边为目标边，依据设定采样跳数h以及每跳所要选取的边数Si对该目标边的邻居进行采样，得到该目标边的h阶邻域信息；2)利用边卷积神经网络依次对每一阶邻域信息加权求和，实现对目标边的邻域信息融合；重构该目标边并计算重构误差；若该目标边的重构误差超过设定阈值，则判定该目标边为异常；3)基于重构误差设计异常检测模型的损失函数，并利用步骤2)处理后的结果对图数据样本的边进行标注后训练异常检测模型；4)利用训练后的异常检测模型对待检测的图数据进行检测。
-
公开(公告)号：CN113626836A
公开(公告)日：2021-11-09
申请号：CN202110775401.4
申请日：2021-07-09
Applicant: 中国科学院信息工程研究所
IPC: G06F21/60 , G06F21/62 , G06F21/64 , G06F16/31 , G06F40/289
Abstract: 本发明公开了一种基于LSM的对称可搜索加密方法及系统。本方法为：1)客户端创建数据库表，将数据集中的数据信息填入相应的字段中；2)为设定加密索引字段构建加密索引，使用对称加密算法加密所述加密字段中的数据，生成验证集合Xset，该验证集合Xset中存储的信息为所述数据集中各文档对应的组合值，其中根据文档i的文档id及文档i的关键字生成文档i的组合值；将加密索引和加密数据上传至服务器端分配的服务器节点；3)客户端利用对称密钥和查询关键字生成对应的查询发送给服务器端；4)服务器端在加密数据库上执行查询操作并将查询结果返回给客户端；5)客户端接收服务器端返回的查询结果并对其进行解密。
-
Patent Agency Ranking
公开(公告)号：CN110245285B
公开(公告)日：2021-07-13
申请号：CN201910357967.8
申请日：2019-04-30
Applicant: 中国科学院信息工程研究所
IPC: G06F16/9535 , G06N3/04
Abstract: 本发明公开了一种基于异构信息网络的个性化推荐方法，本方法通过基于注意力的特征增强模块对不同元图上用户和物品潜在特征的重要性进行学习，降低了无用的潜在特征对评分预测所带来的干扰，增强了有用潜在特征对评分预测的贡献力；同时利用基于分层次特征交互的评分预测模块对特征间的不同相互关系进行学习，不但考虑用户和物品各自加权潜在特征之间的内在联系，而且考虑用户或物品与其加权潜在特征之间的相关性；然后通过用户和物品间特征的融合，使得各特征间的二阶线性交互关系得到了充分挖掘。本发明通过多层感知机和因子分解机的使用，使得各特征间的高阶非线性交互关系得到了全面利用和高效组合，大大提高了推荐系统的性能。
-
公开(公告)号：CN112988887A
公开(公告)日：2021-06-18
申请号：CN202110176779.2
申请日：2021-02-07
Applicant: 中国科学院信息工程研究所
Abstract: 本发明公开了一种基于区块链的基金会系统，其特征在于，包括受基金会管理平台管理与维护的多个基金会服务平台，所述基金会服务平台将注册的捐赠者提供的捐赠信息且审核通过后发布到区块链上并返回去向凭证，以及将基金会服务平台管理员提供的捐赠信息的捐赠去向发布到区块链上；其中所述基金会服务平台包括中间层、后端开发模块和前端开发模块；后端开发模块包括区块链技术层、链码层、服务层和数据层；区块链技术层包括排序共识组件和多个不同的Fabric镜像，不同基金会平台对应不同镜像；排序共识组件用于为链码层传来的每笔捐赠信息和捐赠去向信息提供共识排序并打包成块；链码层用于编写区块链中受信任的分布式系统业务执行逻辑。
-
公开(公告)号：CN112883229A
公开(公告)日：2021-06-01
申请号：CN202110256218.3
申请日：2021-03-09
Applicant: 中国科学院信息工程研究所
IPC: G06F16/75 , G06F16/78 , G06F16/783 , G06K9/62
Abstract: 本发明涉及一种基于多特征图注意网络模型的视频‑文本跨模态检索方法和装置。该方法的步骤包括：建立多特征图注意网络模型，用于挖掘视频不同模态特征之间的结构关系，通过不同视频特征之间的高级语义信息交换获得高效的视频特征表示；采用双重约束排序损失函数训练所述多特征图注意网络模型，所述双重约束排序损失函数包含视频‑文本对之间的排序约束函数和单类数据内部的结构约束函数，不仅可以让语义相似的文本和视频在嵌入空间相近，而且能够在嵌入空间中保持原始的结构特性；利用训练完成的所述多特征图注意网络模型进行视频‑文本的跨模态检索。本发明使视频‑文本检索的检索性能得到了显著提升。
-
公开(公告)号：CN112199532A
公开(公告)日：2021-01-08
申请号：CN202010906456.X
申请日：2020-09-01
Applicant: 中国科学院信息工程研究所
IPC: G06F16/532 , G06F16/55 , G06F16/583 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于哈希编码和图注意力机制的零样本图像检索方法及装置。该方法包括：构建哈希网络和关系网络；基于软边距的分类损失对哈希网络和关系网络进行训练；将数据库中的每一张图像输入到训练完成的哈希网络中，得到对应的图像哈希码；将待查询图像输入到训练完成的哈希网络中生成哈希码，计算其与数据库中每一张图像的哈希码之间的距离，并根据距离返回满足要求的查询结果。本发明能够同时考虑语义和视觉信息，充分挖掘类别之间的相似关系，从而更好地实现知识迁移，同时基于软边距的分类损失进行哈希学习能够在一定程度上避免对可见类别过拟合学习，提升模型对未见类别的泛化能力，进而提高零样本图像检索的效果。
-
公开(公告)号：CN110222140A
公开(公告)日：2019-09-10
申请号：CN201910323769.X
申请日：2019-04-22
Applicant: 中国科学院信息工程研究所
IPC: G06F16/31 , G06F16/335 , G06F16/58 , G06F16/583 , G06F16/51 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于对抗学习和非对称哈希的跨模态检索方法，其步骤包括：1)选取一跨模态数据集并将其划分为训练集和测试集；对模型进行训练，该模型包括一损失模块、特征提取单元和哈希码学习单元；哈希码学习单元包括哈希码学习网络和一个共享的多标签二值矩阵，损失模块包含特征提取单元的对抗损失，哈希码学习单元的三元边距损失、余弦量化损失和非对称哈希损失；2)利用训练的最优模型，生成跨模态数据集中每一模态数据的二值哈希码；3)对于一给定的查询数据，首先生成二值哈希码，然后计算该查询数据的二值哈希码与该跨模态数据集中与该查询数据模态不同的模态数据的二值哈希码之间计算汉明距离，得到满足条件的跨模态数据实例。
-
-
-
-
-
-
-
-
-
Search Results
81
records
(took 0.039 seconds)
