-
公开(公告)号：CN119761410A
公开(公告)日：2025-04-04
申请号：CN202510272823.8
申请日：2025-03-10
Applicant: 北京邮电大学
IPC: G06N3/042 , G06F17/16 , G06N3/098 , G06F18/23 , G06F18/241
Abstract: 本发明提供一种掩码遮罩的横向联邦异质图学习方法及装置，包含客户端本地训练与全局聚合两阶段。客户端基于全局服务器分发的初始参数部署本地模型，利用动态生成的掩码遮罩随机遮掩输入特征以挖掘高阶拓扑结构，通过边重构损失优化拓扑感知能力；同时随机遮掩节点属性并动态调整遮掩比例，结合一致性语义损失增强语义鲁棒性；联合节点分类损失共同更新本地参数。全局聚合阶段，服务器根据各客户端指定元路径下的边集计算聚类系数衡量图结构紧密度，结合节点数量动态分配聚合权重，融合拓扑信息丰富的客户端参数，迭代优化全局模型。本发明能够克服客户端数据动态变化导致的语义不一致问题，捕捉局部图结构价值，提升全局泛化能力与收敛效率。
-
公开(公告)号：CN117195895B
公开(公告)日：2024-08-02
申请号：CN202311115750.9
申请日：2023-08-31
Applicant: 北京邮电大学
IPC: G06F40/295 , G06F40/237 , G06F40/30 , G06F16/35 , G06F16/36
Abstract: 本发明提供一种基于语义增强机制的关系抽取方法及系统，所述方法的步骤包括：基于预设的编码模型对检测语句进行编码，得到初始语句向量，所述初始语句向量中包括对应检测语句中的每个词语的初始词向量；基于主体识别模块识别初始语句向量中的可能主体词向量，并输入到语义增强模块中；基于语义增强模块的分类层对可能主体词向量进行预分类，并构建对于每个可能主体词向量的相似词表；基于可能主体词向量的预分类结果和相似词表构建对于每个主体词向量的增强词向量；基于可能主体词向量构建主体语句向量，基于增强词向量构建增强语句向量，将初始语句向量、主体语句向量和增强语句向量输入到预设的客体与关系识别模块，得到实体关系分类结果。
-
公开(公告)号：CN117591752B
公开(公告)日：2024-06-07
申请号：CN202311411955.1
申请日：2023-10-27
Applicant: 北京邮电大学
IPC: G06F16/9536 , G06Q50/00 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/09
Abstract: 本发明提供一种多模态虚假信息检测方法、系统及存储介质，所述方法的步骤包括：获取待辨认信息，从待辨认信息中分离图像信息和文本信息；将图像信息输入到第一网络模型中，得到图像特征向量，将图像特征向量输入到图像分类网络中，得到图像分类向量；将图像特征向量和图像分类向量输入到多专家结构中，得到融合类别图像特征向量；将文本信息输入到第二网络模型和情感提取模块中，第二网络模型输出文字特征向量，情感提取模块输出文字情感特征向量，融合文字特征向量和文字情感特征向量得到融合情感文字特征向量；将融合类别图像特征向量和融合情感文字特征向量融合，得到融合图文特征向量，并输入到判别模块中判定待辨认信息是否为虚假信息。
-
公开(公告)号：CN117273119A
公开(公告)日：2023-12-22
申请号：CN202311076328.7
申请日：2023-08-24
Applicant: 北京邮电大学
Abstract: 本发明提供一种基于强化学习的动态公平联邦学习方法及装置，在一轮联邦训练中，各客户端根据各自的本地数据对服务器下发的模型进行训练，生成本地模型，并计算本地模型的本地训练损失；将本地模型、本地训练损失和本地数据规模上传至服务器进行聚合；在聚合阶段，将本地训练损失作为强化学习状态输入，根据状态及当前策略选择执行动作，根据执行动作和本地规模占比计算聚合权重，基于聚合权重完成该轮联邦聚合；根据当前全局联邦模型准确率设置奖励值，以优化强化学习；重复多轮联邦训练，直至得到最终全局联邦模型。本发明提供的方法能够在保护隐私和较小通信开销基础上，将各本地训练损失作为公平性度量，优化联邦聚合过程，实现公平联邦学习。
-
公开(公告)号：CN117251726A
公开(公告)日：2023-12-19
申请号：CN202311091495.9
申请日：2023-08-28
Applicant: 北京邮电大学
IPC: G06F18/214 , G06F18/241 , G06Q50/26 , G06F16/22 , G06F16/27 , G06F21/62 , G06F16/2455
Abstract: 本申请提供公共卫生事件检测模型训练方法、检测方法、装置及系统，方法包括：向智能合约单元发送包含哈希值的即时异步聚合请求，以使该智能合约单元自分布式存储系统中调取隐私保护梯度数据并与全局分类模型进行聚合；基于本地公共卫生事件训练数据对全局模型梯度数据对应的分类模型进行训练，并将训练得到的分类模型对应的梯度数据进行隐私优化，再将得到的隐私保护梯度数据传输至分布式存储系统。本申请能够有效提高公共卫生事件检测模型的训练效率及可靠性，并能够在降低训练过程的计算复杂度的基础上，有效提高训练过程的数据隐私安全性，进而能够有效提高采用公共卫生事件检测模型进行公共卫生事件检测的结果有效性及可靠性。
-
Patent Agency Ranking
公开(公告)号：CN116578884B
公开(公告)日：2023-10-31
申请号：CN202310831630.2
申请日：2023-07-07
Applicant: 北京邮电大学
IPC: G06F18/22 , G06F18/25 , G06F16/901 , G06N20/00
Abstract: 本发明提供一种基于异质信息网络表示学习的科研团队识别方法及装置，属于大数据技术领域，包括：获取学术异质信息网络信息，构建异质图网络结构，确定各节点的元路径、元路径邻接向量和邻居节点；将元路径、元路径邻接向量和邻居节点输入至训练好的嵌入表示学习模型中得到各节点与其各邻居节点的结构特征相似度、各邻居节点的第一节点级别注意力权重；基于第一节点级别注意力权重计算节点的第二节点级别注意力权重，基于第二节点级别注意力权重确定科研团队负责人；基于各第一节点级别注意力权重及各节点与其邻居节点的结构特征相似度确定核心成员和非核心成员。该方法可准确的识别学术异质信息网络中的科研团队的负责人、核心成员、非核心成员。
-
公开(公告)号：CN116578674B
公开(公告)日：2023-10-31
申请号：CN202310826329.2
申请日：2023-07-07
Applicant: 北京邮电大学
IPC: G06F16/33 , G06N3/0455 , G06N3/08 , G06F16/35 , G06F18/23
Abstract: 本申请提供联邦变分自编码主题模型训练方法、主题预测方法及装置，方法包括：在当前的剪枝训练轮次中，接收联邦学习系统中的各个节点各自采用本地的文本训练数据训练得到的局部变分自编码主题模型的模型参数和神经元累计梯度，并对各个局部变分自编码主题模型的模型参数进行聚类以生成目标变分自编码主题模型；基于各个局部变分自编码主题模型的神经元累计梯度对目标变分自编码主题模型进行神经元剪枝处理，得到当前的全局变分自编码主题模型。本申请能够在有效保护本地数据隐私的基础上，能够有效降低模型训练过程的通信和计算开销，能够有效提高采用训练得到的主题模型预测文本数据所属主题类型的预测精度及可靠性。
-
公开(公告)号：CN116561591B
公开(公告)日：2023-10-31
申请号：CN202310836743.1
申请日：2023-07-10
Applicant: 北京邮电大学 , 北京极智嘉科技股份有限公司
IPC: G06F18/214 , G06F18/213 , G06F40/30 , G06N3/042 , G06N3/0455 , G06N3/088
Abstract: 本发明提供一种科技文献语义特征提取模型训练方法、特征提取方法及装置，通过自适应特征处理，结合全局信息和局部信息，对科技文献的特征丰富化；通过引入多头注意力机制，关注科技文献特征之间的关系；通过构建正样本和负样本，比较计算潜在空间上正负样本语义表示与全局图级汇总向量之间的互信息，构建损失对图注意力机制编码器的参数进行更新，提升语义表示学习能力。
-
公开(公告)号：CN116541779B
公开(公告)日：2023-10-31
申请号：CN202310826334.3
申请日：2023-07-07
Applicant: 北京邮电大学 , 北京极智嘉科技股份有限公司
IPC: G06F18/2415 , G06N3/042 , G06Q10/0637 , G06Q50/00 , G06F18/214 , G06F18/25 , H04L67/10
Abstract: 本发明提供一种个性化公共安全突发事件检测模型训练方法、检测方法及装置，包括：获取完成当前轮次训练的各客户端的本地检测模型及其梯度；将构建的随机图输入各客户端本地检测模型，计算得到各客户端模型的梯度状态；在各客户端部署强化学习模块，以本地检测模型准确率构建奖励值；将基于策略网络得到的所有客户端之间梯度聚合的动作归一化，得到各客户端梯度的权重，根据权重确定下一轮参与聚合的客户端以及是否进行梯度量化；重复进行多轮训练，直至得到各客户端的公共安全突发事件检测模型。本发明提供的训练方法能够减小本地数据非独立同分布的影响，减小梯度通信的消耗，平衡模型的性能与通信压力。
-
公开(公告)号：CN116541769A
公开(公告)日：2023-08-04
申请号：CN202310818466.1
申请日：2023-07-05
Applicant: 北京邮电大学
IPC: G06F18/241 , G06N20/00 , G06F18/214 , H04L41/142 , H04L41/16
Abstract: 本发明提供一种基于联邦学习的节点数据分类方法及系统，所述方法基于包括服务端和与服务器端相连接的多个客户端的分布式架构，所述方法的步骤包括：在每个客户端对该客户端中的计算模型进行本地训练，获取本地训练后每个计算模型的模型参数，并构建为第一参数矩阵；在服务器端基于每个客户端当前训练数据的数量计算每个客户端的数据权重参数，基于每个计算模型的准确率计算每个计算模型的准确率权重参数；在所述服务器端将所述数据权重参数和准确率权重参数合并为计算模型的合并权重参数，基于全部计算模型的合并权重参数和第一参数矩阵计算合并参数矩阵；基于合并参数矩阵更新每个客户端的计算模型；基于更新后的计算模型进行节点数据分类。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.054 seconds)
