-
公开(公告)号：CN116341003A
公开(公告)日：2023-06-27
申请号：CN202310281312.3
申请日：2023-03-21
Applicant: 哈尔滨工程大学 , 哈尔滨龙明科技有限公司
IPC: G06F21/62 , G06F16/901 , G06Q50/00
Abstract: 本发明公开了一种基于个性化采样随机响应图结构扰动算法的满足本地差分隐私的链接预测模型的构建方法、设备及介质，属于数据安全领域，解决了直接使用随机响应机制的图结构边密度膨胀，无法保留图上重要的社区特征，以及模型学习过程中的隐私泄露问题。该方法在用户和收集者之间设计了两轮交互，第一轮交互中，用户端使用个性化采样技术和随机响应机制扰动和其他用户间的链接关系并发送给收集者，收集者聚集所有用户发送的链接关系使用社区发现算法划分用户所属社区。第二轮交互中，用户端结合社区划分结果进行个性化采样随机响应然后发送扰动后的链接关系给收集者，收集者聚集所有用户发送的链接关系得到最终的图邻接矩阵。本发明适用于图隐私保护场景。
-
公开(公告)号：CN114841400A
公开(公告)日：2022-08-02
申请号：CN202210299336.7
申请日：2022-03-25
Applicant: 哈尔滨工程大学 , 北京电子工程总体研究所
Abstract: 本发明提出基于多任务时空图卷积的空气质量预测方法。本发明所述方法使用记忆网络、注意力机制，多层图卷积网络等技术构建基于多任务的深度时空序列数据预测模型，利用单一站点的本地属性和整体站点的全局属性，动态的构建站点间的邻接关系图；利用多层图卷积分别聚合单一站点的时序关系以及邻居站点的空间关系；利用多任务协同训练策略既考虑细粒度站点级别的预测任务，也充分考虑了粗粒度城市级别的预测任务，大大提高了时空序列数据预测效果。
-
公开(公告)号：CN116669015A
公开(公告)日：2023-08-29
申请号：CN202310379571.X
申请日：2023-04-11
Applicant: 哈尔滨工程大学 , 哈尔滨龙明科技有限公司
Abstract: 本发明提出了一种满足本地差分隐私的基于方向感知的轨迹数据采集方法及系统，首先通过基于锚的空间约束方法，对用户的轨迹区域进行自适应的限制，从而在不违反隐私约束的情况下显著提高性能；其次利用隐私预算将轨迹中每个点的相邻方向信息离散化用于该点的扰动过程；这种信息用作连接相邻点的线索，并且可以用于限制轨迹中每个点的区域；最后利用指数机制和优化进程得到最终经过扰动的轨迹并上传给服务器；本发明满足严格的本地差分隐私，为移动用户轨迹数据提供可证明的隐私保护，且不需要访问额外的公开知识，通过使用本方法解决了轨迹数据采集过程中的隐私泄露问题。
-
公开(公告)号：CN116340647A
公开(公告)日：2023-06-27
申请号：CN202310165758.X
申请日：2023-02-27
Applicant: 哈尔滨工程大学 , 哈尔滨龙明科技有限公司
IPC: G06F16/9536 , G06F16/9535 , G06N3/08 , G06F18/214 , G06N3/0442
Abstract: 本发明公开了一种基于对比学习的解耦合负采样方法及其系统。与传统的负采样方法将物品视为一个整体的策略不同，本发明指出了用户的交互仅由物品的某些相关因素驱动，而并不是物品整体。本发明利用了门控网络解耦合物品的相关因素和非相关因素，综合考虑了两种因素选择出最合适的负样本，用于训练隐式协同过滤模型。同时基于对比学习的思想提出了四个对比任务，用于确保解耦合的准确度。作为一种新颖的采样策略，本发明能够完美地兼容各种隐式协同过滤模型。由于本发明充分考虑了用户交互的形成特性，利用门控网络提供了解耦方向，以及提出了对比学习任务确保解耦精度，隐式协同过滤模型的性能有着大幅提升。
-
公开(公告)号：CN110602145B
公开(公告)日：2022-06-21
申请号：CN201910940865.9
申请日：2019-09-30
Applicant: 哈尔滨工程大学
IPC: H04L9/40 , H04L67/1396 , H04L67/52
Abstract: 本发明公开了一种基于位置服务的轨迹隐私保护方法。步骤1：根据用户的真实位置location生成模糊区域BA；步骤2：用模糊区域BA替代用户真实位置location，从多个匿名器中随机选择一个匿名服务器，向其发送查询请求(id，BA，t，query，k)；步骤3：匿名服务器收到步骤2发送的请求信息后，在模糊区域BA内根据路网选择一个位置点Li；步骤4：匿名服务器根据步骤3中产生的Li生成匿名查询请求；步骤5：向位置服务提供商发送匿名查询请求。本发明基于多匿名器系统结构隐私保护模型进行实时轨迹隐私保护方法的研究，提出将位置模糊和K‑匿名相结合的方法，以达到增强轨迹隐私保护同时保证数据可用性的目的。
-
Patent Agency Ranking
公开(公告)号：CN110489804A
公开(公告)日：2019-11-22
申请号：CN201910659827.6
申请日：2019-07-22
Applicant: 哈尔滨工程大学
IPC: G06F17/50
Abstract: 本发明公开了一种单位圆盘图上的最大独立集近似求解方法，包括以下步骤：步骤1：利用动态规划方法设计一种单位圆盘顶点的相邻顶点集诱导子图的最大顶点独立集的最优解求解方法，并给出任意两顶点相邻顶点集并集诱导子图的最大顶点独立集的最优解；步骤2：针对一般的单位圆盘图，首先计算顶点支配独立集；之后对顶点支配独立集中成员进行单独检查，判断结果是否可优化，得到中间解；最后对中间解中成员进行联合检查，判断结果是否可优化，得到最终解。本发明以O(Δ2n3)的计算时间复杂度得到近似比为1.5的近似解，其中Δ为顶点最大度，相比单位圆盘图上最大独立集求解问题的现有近似算法，本发明提高了近似比，具有更高的效率。
-
公开(公告)号：CN116894263A
公开(公告)日：2023-10-17
申请号：CN202310703296.2
申请日：2023-06-14
Applicant: 哈尔滨工程大学
Abstract: 本发明提出了一种基于公平性的面向多元隐私数据的预测方法及系统；首先确定给定的逻辑回归的多元数据集的预测任务和敏感属性；使用函数机制的思想，将逻辑回归损失函数使用切比雪夫多项式展开为多项式的形式；使用决策树算法选择出对敏感属性影响最大的属性；使用贝叶斯网络选择出若干个对敏感属性影响最大的一组属性；在展开的多项式函数的系数上加入带有公平性约束惩罚项的拉普拉斯噪声；使用已满足公平性和差分隐私保证的损失函数进行对数据集的预测任务；本发明通过使用切比雪夫多项式、决策树算法和贝叶斯网络，以及带有公平性约束惩罚项的拉普拉斯噪声，来保护多元数据集的隐私和公平性，并确保预测任务可以顺利完成。
-
公开(公告)号：CN116680405A
公开(公告)日：2023-09-01
申请号：CN202310372757.2
申请日：2023-04-10
Applicant: 哈尔滨工程大学 , 哈尔滨龙明科技有限公司
IPC: G06F16/36 , G06F40/30 , G06N3/0464 , G06N3/0442 , G06N3/0455 , G06N3/042 , G06N3/08 , G06N5/022 , G06N5/04
Abstract: 本发明提出了一种基于关系路径推理的全局数据空间链接预测方法及系统，利用全局数据空间技术对庞大的知识图谱数据进行获取和后续处理；利用知识图谱中大量存在的三角结构来挖掘关系路径，三角结构不仅能够得到路径推理的置信度，同时抽取的路径长度为2，在保证计算效率的同时得到了语义信息最丰富的关系路径；利用门控循环单元结构GRU技术对关系路径进行推理，为模型本身提供了丰富的语义信息；利用注意力机制保证实体对之间多条路径都能充分考虑，且做到了主次分明；改进了ConvR模型的关系初始嵌入结构，以使其在性能优化的同时解决了ConvR难以适应下游任务的问题；本发明的效果和现有技术相比有着显著优势，可以出色完成链接预测工作。
-
公开(公告)号：CN116882524A
公开(公告)日：2023-10-13
申请号：CN202310707082.2
申请日：2023-06-14
Applicant: 哈尔滨工程大学
Abstract: 一种满足参与方的个性化隐私保护需求的联邦学习方法和系统，涉及网络与信息安全技术领域。解决联邦学习场景中因服务器不可信而导致参与方隐私泄露的问题。所述方法包括：参与方选择隐私预算，隐私预算加密并发送给服务器；服务器接收隐私预算进行求和，服务器与参与方协作解密得隐私预算总和，并把总和发送给参与方；参与方将隐私预算与隐私预算总和相除得聚合权重；服务器把全局模型参数发送给参与方，根据参数进行训练获得本地模型；参与方将本地梯度与聚合权重相乘，之后进行梯度裁剪；对裁剪后参数进行扰动，并发送给服务器；服务器接收梯度参数并进行聚合生成全局模型。应用于隐私数据保护领域。
-
公开(公告)号：CN116701992A
公开(公告)日：2023-09-05
申请号：CN202310555050.5
申请日：2023-05-17
Applicant: 哈尔滨工程大学 , 哈尔滨龙明科技有限公司
IPC: G06F18/24 , G06F18/214 , G06F18/22 , G06F18/213 , G06N3/0475 , G06N3/045 , G06N3/0464 , G06N3/088
Abstract: 本申请公开了一种基于图注意力网络和时间卷积网络的多模态异常检测方法，属于多模态数据异常检测技术领域，包括：基于若干传感器获取多模态数据集，对多模态数据集进行预处理，并将预处理后的多模态数据集划分为训练集和测试集；基于图注意力网络和多头注意力机制构造用于提取空间相关特征的空间特征提取模块，基于时间卷积生成对抗网络构造时间特征提取模块，根据空间特征提取模块和时间特征提取模块构建多模态异常检测模型；通过训练集对多模态异常检测模型进行训练及参数优化，得到目标网络；将测试集输入到目标网络中，通过目标网络进行多模态异常检测。本申请提供的方法，在实验数据集上有着明显的优势，适用于多模态异常检测的工作。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.046 seconds)
