-
公开(公告)号：CN111260039A
公开(公告)日：2020-06-09
申请号：CN202010369831.1
申请日：2020-05-06
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本发明提供了一种基于辅助任务学习的视频游戏决策方法，包括以下步骤：S1、构建神经网格模型；S2、启动多进程视频游戏环境；S3、判断是否运行了指定轮次，如果否，则进入步骤S4，如果是，则进入步骤S6；S4、获取游戏经验，更新经验池；S5、将经验输入到神经网格模型，更新神经网格模型参数，返回步骤S3；S6、保存神经网格模型；S7、在视频游戏里利用神经网格模型决策；S8、结束。本发明的有益效果是：可以更准确地估计三维场景中的状态价值以及引起状态改变的智能体动作。
-
公开(公告)号：CN117592527B
公开(公告)日：2024-11-26
申请号：CN202410074807.3
申请日：2024-01-18
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06N3/0499 , G06N3/084 , G06F18/214 , G06F21/60
Abstract: 本发明公开了一种基于函数秘密共享的隐私保护神经网络训练方法及装置，来支持实用的安全神经网络训练，该框架具有较小的常数轮在线通信复杂度，在不降低模型精度的情况下降低离线通信成本，同时离线阶段通过使用安全两方计算友好的伪随机生成器，采用分布式比较函数密钥生成方案来取代可信第三方。本发明通过提出了具有最小密钥大小的通信优化的分布式比较函数，无需较大函数秘密共享密钥量；通过设计离线阶段，在离线阶段生成相关随机性用于在线阶段函数计算，使得在线阶段只需1轮通信即可，从而大大减少通信量。
-
公开(公告)号：CN118982064A
公开(公告)日：2024-11-19
申请号：CN202411473105.9
申请日：2024-10-22
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06N3/098 , G06N3/0464
Abstract: 本申请公开了去中心化的联邦学习方法、系统及相关设备，涉及计算机技术领域，包括：联邦学习的组织者和参与者加入区块链；组织者将参与者划分为普通节点和委员会节点；各节点基于区块链获取联邦学习任务配置信息和待训练的全局模型并进行本地模型更新获得前一轮次训练完成后的本地模型；普通节点对前一轮次训练完成后的本地模型进行训练获得当前轮次的本地训练模型并上传至区块链；委员会节点通过区块链获取本地训练模型以确定普通节点的贡献度评分及当前轮次训练完成后的全局模型，并确定委员会节点对应的贡献度评分；响应于触发委员会节点更新事件，组织者重新进行节点身份划分。如此，有利于提高联邦学习过程中模型训练的准确性。
-
公开(公告)号：CN115577273B
公开(公告)日：2024-04-26
申请号：CN202210970095.4
申请日：2022-08-12
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本申请公开了一种基于对比学习的单细胞数据聚类方法、装置、设备及存储介质，该方法包括：通过预先构建的特征提取模块确定待聚类单细胞数据的正视图对并提取所述正视图对的特征；通过预先构建的对比学习模型将所述特征进行对比学习，获得所述待聚类单细胞数据的高阶表示，并对所述高阶表示进行聚类分析以获得所述待聚类单细胞数据的聚类分析结果。如此，通过特征提取、对比学习获得了待聚类单细胞数据的高阶表示，解决了当前单细胞测序数据高维稀疏、种群间不平衡以及测序过程经常发生drop‑out事件的问题。
-
公开(公告)号：CN117592527A
公开(公告)日：2024-02-23
申请号：CN202410074807.3
申请日：2024-01-18
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06N3/0499 , G06N3/084 , G06F18/214 , G06F21/60
Abstract: 本发明公开了一种基于函数秘密共享的隐私保护神经网络训练方法及装置，来支持实用的安全神经网络训练，该框架具有较小的常数轮在线通信复杂度，在不降低模型精度的情况下降低离线通信成本，同时离线阶段通过使用安全两方计算友好的伪随机生成器，采用分布式比较函数密钥生成方案来取代可信第三方。本发明通过提出了具有最小密钥大小的通信优化的分布式比较函数，无需较大函数秘密共享密钥量；通过设计离线阶段，在离线阶段生成相关随机性用于在线阶段函数计算，使得在线阶段只需1轮通信即可，从而大大减少通信量。
-
Patent Agency Ranking
公开(公告)号：CN116246698A
公开(公告)日：2023-06-09
申请号：CN202211090606.X
申请日：2022-09-07
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G16B20/00 , G16B40/00 , G06F40/30 , G06N3/0464
Abstract: 本发明公开了一种基于神经网络的信息提取方法、装置、设备及存储介质，属于生物信息技术领域，该方法包括：本发明从预先获得的metapath实例中提取语义信息；基于注意力聚合机制对所述语义信息进行编码，获得语义注意力系数，基于所述语义注意力系数聚合邻居节点；通过非线性神经网络对所述语义信息进行学习，获得二次语义信息，将二次语义信息聚合至所述邻居节点中，获得节点嵌入；通过非线性神经网络融合多个metapath下的所述节点嵌入，获得最终节点表示。如此通过非线性神经网络二次提取metapath实例中的语义信息，充分利用了各个节点的语义信息，提升了信息提取的效果。
-
公开(公告)号：CN115577273A
公开(公告)日：2023-01-06
申请号：CN202210970095.4
申请日：2022-08-12
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本申请公开了一种基于对比学习的单细胞数据聚类方法、装置、设备及存储介质，该方法包括：通过预先构建的特征提取模块确定待聚类单细胞数据的正视图对并提取所述正视图对的特征；通过预先构建的对比学习模型将所述特征进行对比学习，获得所述待聚类单细胞数据的高阶表示，并对所述高阶表示进行聚类分析以获得所述待聚类单细胞数据的聚类分析结果。如此，通过特征提取、对比学习获得了待聚类单细胞数据的高阶表示，解决了当前单细胞测序数据高维稀疏、种群间不平衡以及测序过程经常发生drop‑out事件的问题。
-
公开(公告)号：CN115499247A
公开(公告)日：2022-12-20
申请号：CN202211432463.6
申请日：2022-11-16
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 暨南大学
IPC: H04L9/40
Abstract: 本发明公开了一种基于零知识证明的属性凭证验证方法及装置，方法包括：构造属性凭证；签发属性凭证，用户向作为签发者的可信第三方提出属性凭证申请；签发者生成每个用户唯一的随机盐值，签发者对已认证的属性信息和随机盐值进行凭证签发；验证属性凭证，用户从安全信道中获取验证者所需的验证约束条件，用户使用凭证证明生成模块生成对应的零知识的属性值消息，用户将零知识的凭证证明消息通过可信信道发送给验证者；验证者在收到用户发来的凭证证明消息后对消息内容进行解析，验证凭证证明的正确性和有效性。本发明具有保护用户数据隐私和细粒度验证策略的优点，同时以比较低的交互次数和交互通信量完成凭证的签发和证明。
-
公开(公告)号：CN114553394B
公开(公告)日：2022-08-16
申请号：CN202210424254.0
申请日：2022-04-22
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 暨南大学
Abstract: 本发明公开了基于多密钥全同态方案的补码运算器及运算方法，运算器包括多密钥全同态加法运算器、多密钥全同态减法运算器、多密钥全同态乘法运算器和多密钥全同态除法运算器；所述多密钥全同态加法器由多密钥全同态0‑类加法器构成；所述多密钥全同态减法器由多密钥全同态0‑类加法器与多密钥全同态取非器构成；所述多密钥全同态乘法器由多密钥全同态0‑类加法器、多密钥全同态1‑类加法器、多密钥全同态2‑类加法器和多密钥全同态与门构成；所述多密钥全同态除法器由多密钥全同态取补器、多密钥全同态CAS单元与多密钥全同态异或门构成。本发明构造了任意位的补码整数四则运算器，能够支持任意位的正负整数之间的四则运算，大大提高了MKTFHE方案的实用性。
-
公开(公告)号：CN114418098A
公开(公告)日：2022-04-29
申请号：CN202210255131.9
申请日：2022-03-16
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本发明提供一种神经网络差量压缩方法、装置、电子设备及存储介质，该方法在获取到神经网络的两个相邻训练版本时，可为这些版本所包含的各网络层生成专用的量化参数，并利用这些量化参数为对应的网络层进行浮点参数量化处理，得到训练版本对应的整数版本，再利用这些整数版本替代训练版本进行差量数据计算及差量压缩。换而言之，本发明为神经网络模型的每一网络层设置了生成的专用的量化参数，可采用不同力度对每一网络层进行针对性量化，相较于全局量化策略额外考虑了神经网络模型不同网络层之间的参数取值差异，能够有效避免将整个网络的浮点数参数看作一个集合来确定全局的量化参数所导致的量化误差增大及模型的精度下降问题。
-
-
-
-
-
-
-
-
-
Search Results
1332
records
(took 0.167 seconds)
