-
公开(公告)号：CN117743652B
公开(公告)日：2025-01-10
申请号：CN202311732260.3
申请日：2023-12-16
Applicant: 华南理工大学
IPC: G06F16/9032 , G06F16/242 , G06F16/2452 , G06F16/2455 , G06F16/28 , G06F16/901 , G06F40/279 , G06F40/253 , G06F40/30 , G06N3/0895 , G06N5/02 , G06N5/04
Abstract: 本发明公开了基于深度学习的弱监督时序图谱问答方法，包括以下步骤：步骤1，获得时序图谱数据集；步骤2，利用时序图谱数据集通过模板填充与有效性验证生成对应的数据库查询语句；步骤3，利用生成的数据库查询语句训练自然语言转数据库查询语句模型；步骤4，通过自然语言转数据库查询语句模型推理获得数据库查询语句，并根据该数据库查询语句进行数据库查询获得最终答案；使本发明的答案在维持较高的可解释性的同时，极大地降低了模型训练过程中对数据的标注要求。
-
Patent Agency Ranking
公开(公告)号：CN118710996B
公开(公告)日：2024-12-06
申请号：CN202411191850.4
申请日：2024-08-28
Applicant: 华南理工大学
IPC: G06V10/764 , G06N3/0455 , G06N3/098 , G06V10/77 , G06V10/82
Abstract: 本发明公开了一种基于扩散驱动数据回放的联邦类持续学习图像分类方法，所述方法包括：初始化阶段，服务器初始化预训练扩散模型和图像分类模型并发送给客户端；类别逆向编码阶段，客户端对新任务类别进行逆向编码，得到类别嵌入向量；图像生成阶段，利用类别嵌入向量生成图像；图像分类模型训练阶段，各个客户端用生成数据和合成数据训练图像分类模型。对于联邦类持续学习图像分类，其关键难点在于灾难性遗忘，即模型在学习新任务时遗忘旧任务的知识，为解决这一难点，通过预训练扩散模型对各个类别数据进行逆向工程，得到类别嵌入向量，在学习新任务时利用类别嵌入向量对历史任务数据进行生成回放，有效缓解灾难性遗忘。
-
公开(公告)号：CN118710996A
公开(公告)日：2024-09-27
申请号：CN202411191850.4
申请日：2024-08-28
Applicant: 华南理工大学
IPC: G06V10/764 , G06N3/0455 , G06N3/098 , G06V10/77 , G06V10/82
Abstract: 本发明公开了一种基于扩散驱动数据回放的联邦类持续学习图像分类方法，所述方法包括：初始化阶段，服务器初始化预训练扩散模型和图像分类模型并发送给客户端；类别逆向编码阶段，客户端对新任务类别进行逆向编码，得到类别嵌入向量；图像生成阶段，利用类别嵌入向量生成图像；图像分类模型训练阶段，各个客户端用生成数据和合成数据训练图像分类模型。对于联邦类持续学习图像分类，其关键难点在于灾难性遗忘，即模型在学习新任务时遗忘旧任务的知识，为解决这一难点，通过预训练扩散模型对各个类别数据进行逆向工程，得到类别嵌入向量，在学习新任务时利用类别嵌入向量对历史任务数据进行生成回放，有效缓解灾难性遗忘。
-
公开(公告)号：CN117743652A
公开(公告)日：2024-03-22
申请号：CN202311732260.3
申请日：2023-12-16
Applicant: 华南理工大学
IPC: G06F16/9032 , G06F16/242 , G06F16/2452 , G06F16/2455 , G06F16/28 , G06F16/901 , G06F40/279 , G06F40/253 , G06F40/30 , G06N3/0895 , G06N5/02 , G06N5/04
Abstract: 本发明公开了基于深度学习的弱监督时序图谱问答方法，包括以下步骤：步骤1，获得时序图谱数据集；步骤2，利用时序图谱数据集通过模板填充与有效性验证生成对应的数据库查询语句；步骤3，利用生成的数据库查询语句训练自然语言转数据库查询语句模型；步骤4，通过自然语言转数据库查询语句模型推理获得数据库查询语句，并根据该数据库查询语句进行数据库查询获得最终答案；使本发明的答案在维持较高的可解释性的同时，极大地降低了模型训练过程中对数据的标注要求。
-
公开(公告)号：CN118093956B
公开(公告)日：2024-12-13
申请号：CN202311732230.2
申请日：2023-12-16
Applicant: 华南理工大学
IPC: G06F16/9032 , G06F16/901 , G06F16/28 , G06F16/2455 , G06F16/2458 , G06F16/903 , G06F40/279 , G06F40/216 , G06N3/0442 , G06N5/02 , G06N5/04
Abstract: 本发明公开了一种用于多粒度时序知识图谱的问答方法，包括以下步骤：步骤1，对数据集进行预处理得到实体、关系、事件实体和时间；步骤2，利用数据集训练实体抽取模型和关系抽取模型得到更精准的实体和关系；步骤3，利用得到的实体、关系、事件实体和时间进行图谱查询得到最终的候选答案集；本发明中用于多粒度时序知识图谱的问答方法适应动态环境下的多粒度时序知识图谱问答场景，在多粒度时间和多时序约束下具有高精度问答性能，且该方法保证了推理效率，具有良好的泛化性，对不同类型的问题均有良好的性能。
-
公开(公告)号：CN118093956A
公开(公告)日：2024-05-28
申请号：CN202311732230.2
申请日：2023-12-16
Applicant: 华南理工大学
IPC: G06F16/9032 , G06F16/901 , G06F16/28 , G06F16/2455 , G06F16/2458 , G06F16/903 , G06F40/279 , G06F40/216 , G06N3/0442 , G06N5/02 , G06N5/04
Abstract: 本发明公开了一种用于多粒度时序知识图谱的问答方法，包括以下步骤：步骤1，对数据集进行预处理得到实体、关系、事件实体和时间；步骤2，利用数据集训练实体抽取模型和关系抽取模型得到更精准的实体和关系；步骤3，利用得到的实体、关系、事件实体和时间进行图谱查询得到最终的候选答案集；本发明中用于多粒度时序知识图谱的问答方法适应动态环境下的多粒度时序知识图谱问答场景，在多粒度时间和多时序约束下具有高精度问答性能，且该方法保证了推理效率，具有良好的泛化性，对不同类型的问题均有良好的性能。
-
-
-
-
-
Search Results
6
records
(took 0.019 seconds)
