-
公开(公告)号：CN119833130A
公开(公告)日：2025-04-15
申请号：CN202411762999.3
申请日：2024-12-03
Applicant: 北京大学第三医院(北京大学第三临床医学院) , 北京邮电大学
Abstract: 本发明提供了一种基于大语言模型的多学科健康咨询辅助管理方法及相关设备，应用于数据处理技术领域。本申请对目标用户的生理特征信息和目标用户的身份信息进行处理，生成目标用户的初始生理标签；基于带有目标特征数据的训练数据集对预设咨询结果预测模型进行处理，生成目标咨询结果预测模型；基于目标咨询结果预测模型对目标用户的初始生理标签进行处理，生成访问偏好信息和有效性偏好信息；对访问偏好信息和有效性偏好信息进行处理，生成偏好对齐信息；对目标用户的问答信息和目标用户的咨询用途信息进行处理，生成目标用户的初始预测特征向量；基于偏好对齐信息对目标用户的初始预测特征向量进行处理，生成目标用户的目标预测报告信息。
-
公开(公告)号：CN119670807A
公开(公告)日：2025-03-21
申请号：CN202510194176.3
申请日：2025-02-21
Applicant: 北京邮电大学
IPC: G06N3/042 , G06N3/0455 , G06N3/082
Abstract: 本申请提供一种专家知识驱动的大模型定制化数据处理方法及相关设备。所述方法包括：将获取的业务数据输入至训练好的可动态定制专家子模型的大模型；在所述大模型中，基于所述业务数据，确定知识嵌入向量；基于所述知识嵌入向量，确定每个适配器专家的权重，定制专家子模型；基于所述专家子模型对所述业务数据进行处理。本申请实施例基于大规模业务数据，利用多维度业务信息与专家知识构建业务知识层次结构。结合大模型高效微调技术、混合专家策略，在业务数据知识的引导下实现动态专家组合适配，从而为不同业务数据定制不同的专家模型，实现多场景下的自动适配，实现更专业的数据处理。
-
公开(公告)号：CN116313121A
公开(公告)日：2023-06-23
申请号：CN202211732226.1
申请日：2022-12-30
Applicant: 北京邮电大学
IPC: G16H50/70 , G06F40/295 , G06F16/36 , G06F16/33 , G06F16/35 , G06F16/335 , G06F16/242
Abstract: 本申请提供一种管道式的高鲁棒性标准化医疗知识图谱构建方法及装置,该方法包括：枚举医学文本中所有候选实体词跨度进行悬浮标记，将所有候选实体词跨度的悬浮标记附加到医学文本后作为一个训练实例，对实体词跨度的悬浮标记进行分组，利用预训练语言模型获取每一组中实体词跨度的语境化表示，根据语境化表示，利用神经网络结构输出实体类型信息；根据语境化表示和实体类型信息编码，得到实体类别信息之间的关系类别，并输出关系信息；利用实体类型信息和关系信息与医学术语标准进行对齐，构建医学知识图谱。
-
公开(公告)号：CN117635838A
公开(公告)日：2024-03-01
申请号：CN202311651131.1
申请日：2023-12-04
Applicant: 中移动信息技术有限公司 , 中国移动通信集团有限公司 , 北京邮电大学
Abstract: 本发明属于人工智能技术领域，公开了一种三维人脸重建方法、设备、存储介质及装置，本发明通过将待识别照片帧对应的三维地标与预设三维可变人脸模型进行拟合，获得人脸粗参数；基于可微渲染器对人脸粗参数进行参数优化，获得优化后的人脸参数；基于低分辨率局部金字塔纹理基对优化后的人脸参数进行多视图纹理融合，获得面部不同局部区域的局部拟合纹理参数；基于面部不同局部区域的局部拟合纹理参数重建三维人脸，获得目标三维人脸，相较于相关重建方案不能精准确定人脸纹理特征，导致重建效果差。本发明通过构建局部纹理金字塔，逐尺度融合不同视角的纹理信息，用低分辨输入指导高清纹理图生成，提高了生成人脸的质量和保真度。
-
公开(公告)号：CN116319714B
公开(公告)日：2023-07-21
申请号：CN202310589332.7
申请日：2023-05-24
Applicant: 北京邮电大学
Abstract: 本申请提供一种基于模态转换的联邦学习方法及相关设备；方法包括：客户端将本地模态的特征数据发送至服务器端；服务器端对各特征数据进行解码，得到目标模态的解码数据，并聚合每个客户端的编码参数得到全局编码器，利用全局编码器将解码数据重建为本地模态的第一重建数据，并下发至客户端，通过交互第一重建数据和特征数据来训练全局编码器，并下发训练好的全局编码器至客户端；客户端将训练好的全局编码器的输出作为下游任务模型的输入，以进行有监督训练，将训练的第一模型参数发送至其他客户端；其他客户端对下游任务模型进行半监督次训练，并将训练的第二模型参数发送至服务器端聚合，得到完成二次训练的下游任务模型。
-
Patent Agency Ranking
公开(公告)号：CN116010944A
公开(公告)日：2023-04-25
申请号：CN202310295479.5
申请日：2023-03-24
Applicant: 北京邮电大学
Abstract: 本公开提供了一种联邦计算网络保护方法及相关设备，包括：检测联邦计算网络中是否存在恶意攻击行为；响应于存在恶意攻击行为，执行物理隔离手段、虚拟化逻辑隔离手段及加密手段中的至少之一进行保护，得到第一保护结果，根据预设的评估标准判断所述第一保护结果是否成功；响应于所述第一保护结果为保护失败，执行入侵检测手段、病毒查杀手段、沙箱手段及补丁手段中的至少之一进行保护，得到第二保护结果，根据所述预设的评估标准判断所述第二保护结果是否成功；响应于所述第二保护结果为保护失败，利用联邦学习防御模型进行保护。本公开受人体免疫机制启发，实现了对未知恶意攻击的防御，对联邦计算网络进行安全保护，保障联邦学习的网络安全。
-
公开(公告)号：CN115239838A
公开(公告)日：2022-10-25
申请号：CN202210943208.1
申请日：2022-08-08
IPC: G06T11/00 , G06N20/00 , G06V10/25 , G06V10/26 , G06V10/764 , G06V10/774
Abstract: 本发明公开了一种医学图像的生成方法、装置、设备及存储介质，该方法包括：将获取到的待检测数据输入到预先训练完成的目标生成对抗模型中的目标生成器中；通过目标生成器，基于待检测数据和目标生成器中的至少两个数据仿射变换参数，确定至少两个待检测特征；获取目标生成器中与各数据仿射变换参数分别对应的目标生成网络层，并针对每个目标生成网络层，将与目标生成网络层对应的待检测特征输入到目标生成网络层中；将目标生成器中的最后一个生成网络层输出的待检测医学图像作为虚拟医学图像。本发明实施例解决了现有的生成对抗模型中的生成网络层无法精确控制语义特征的问题，提高了虚拟医学图像的分辨率。
-
公开(公告)号：CN116319714A
公开(公告)日：2023-06-23
申请号：CN202310589332.7
申请日：2023-05-24
Applicant: 北京邮电大学
Abstract: 本申请提供一种基于模态转换的联邦学习方法及相关设备；方法包括：客户端将本地模态的特征数据发送至服务器端；服务器端对各特征数据进行解码，得到目标模态的解码数据，并聚合每个客户端的编码参数得到全局编码器，利用全局编码器将解码数据重建为本地模态的第一重建数据，并下发至客户端，通过交互第一重建数据和特征数据来训练全局编码器，并下发训练好的全局编码器至客户端；客户端将训练好的全局编码器的输出作为下游任务模型的输入，以进行有监督训练，将训练的第一模型参数发送至其他客户端；其他客户端对下游任务模型进行半监督次训练，并将训练的第二模型参数发送至服务器端聚合，得到完成二次训练的下游任务模型。
-
公开(公告)号：CN118762387A
公开(公告)日：2024-10-11
申请号：CN202410454888.X
申请日：2024-04-15
Applicant: 中移动信息技术有限公司 , 中国移动通信集团有限公司 , 北京邮电大学
Abstract: 本发明公开了一种基于面部图像的疾病检测方法、装置、设备、存储介质及计算机程序产品，涉及计算机视觉技术领域，该方法基于输入的人脸面部图像获取人脸面部图像的面部特征图；基于预设的划分模板将人脸面部图像划分为多个感兴趣区域，并基于面部特征图获取各感兴趣区域各自的基础特征向量；将各基础特征向量输入至预设的预测模型中，以获得人脸面部图像对应的疾病预测结果，其中，预测模型是以人脸面部图像的各基础特征向量为输入、人脸面部图像对应的疾病信息为标签训练得到的。采用本方法能够将人脸面部图像进行分区域的预测，这种分区域的预测方式使模型具有了可解释性，从而提高了基于人脸面部图像进行疾病预测的准确率。
-
公开(公告)号：CN118504658A
公开(公告)日：2024-08-16
申请号：CN202410590510.2
申请日：2024-05-13
Applicant: 北京邮电大学
IPC: G06N3/098 , G06N3/0499
Abstract: 本申请提供一种预训练联邦学习微调方法、系统、电子设备及存储介质，所述方法包括：确定调整策略，根据调整策略调整第一矩阵的参数量，并将第一矩阵插入到预训练矩阵；获取数据集，将数据集输入到预训练矩阵和第一矩阵，正向传播确定损失；确定传播梯度，根据损失和传播梯度，利用反向传播更新第一矩阵；对不同来源的第一矩阵进行聚合，生成第二矩阵，并对与第一矩阵对应来源的损失进行聚合，生成全局损失；响应于调整策略执行完成，且全局损失最小，则确定对应的第二矩阵。响应于调整策略未执行完成，或全局损失未达到最小，则将第二矩阵插入到预训练矩阵并重复上述步骤，直至调整策略执行完成且全局损失最小。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.047 seconds)
