-
公开(公告)号：CN116662910A
公开(公告)日：2023-08-29
申请号：CN202310773985.0
申请日：2023-06-28
申请人： 哈尔滨理工大学 , 哈尔滨工业大学 , 中数(深圳)时代科技有限公司
IPC分类号： G06F18/243 , G06N3/098 , G06F18/214 , G16H50/20 , G16H10/60
摘要： 一种基于联邦学习的多临床分期疾病辅助分类方法及系统，属于大数据、医疗技术领域。为提高分类模型的准确率及隐私数据安全性。本发明采集病例数据构建病例数据集，将病例数据集输入到客户端，进行分析处理，得到优化的病例数据集；客户端对优化的病例数据集进行XGGridBoost模型训练，得到完成训练的模型参数进行加密处理、压缩处理，得到处理的模型参数发送给中心服务端进行解压缩，然后对解压缩的模型参数进行安全聚合，并使用近似算法确定最佳分割点，中心服务端将最佳分割点发送给多个客户端，多个客户端接收后判断本地决策树是否达到最大深度，进行迭代训练或者输出训练模型。本发明解决数据孤岛的问题，提高隐私数据的安全性。
-
公开(公告)号：CN118262703A
公开(公告)日：2024-06-28
申请号：CN202410406097.X
申请日：2024-04-07
申请人： 哈尔滨理工大学 , 哈尔滨工业大学 , 中数(深圳)时代科技有限公司
摘要： 本发明公开了一种面向金融领域的语音数据分类分级方法及系统，涉及金融语音数据安全技术领域。所述方法包括：获取用于训练的多个语音数据，并对语音数据进行预处理，获取频率特征数据；对频率特征数据进行数据增强，获取数据增强后的声学特征；将多个声学特征输入基于深度卷积神经网络的金融领域语音解析模型进行训练；将待识别语音数据对应的频率特征输入训练好的金融领域语音解析模型中，获取语音解析结果。本发明采用声学特征提取结合数据增强策略，提升了模型的泛化能力，通过直接从语音数据中进行分类和分级，能够在保证数据安全的前提下，显著提高语音处理效率和准确性。
-
公开(公告)号：CN117688238A
公开(公告)日：2024-03-12
申请号：CN202311688369.1
申请日：2023-12-11
申请人： 哈尔滨理工大学 , 哈尔滨工业大学 , 中数(深圳)时代科技有限公司
IPC分类号： G06F16/9535 , H04L67/55 , G06N3/042 , G06N5/02
摘要： 本发明提供了一种基于知识图谱和图神经网络的服务推荐方法及系统，属于服务推荐技术领域。为了解决传统推荐方法依赖用户的历史行为进行推荐，缺乏推荐的多样性和创新性，同时也没有注意到推荐的时效问题。本发明将用户‑应用二部图与知识图谱聚合形成协同知识图谱来进行嵌入传播，挖掘用户应用之间的深层语义关联性。同时根据应用的新颖度打分来自适应图注意力权重系数，以此来反映用户的个性化兴趣，获取更多潜在数据信息，提高推荐算法的准确性和时效性。
-
公开(公告)号：CN117076514A
公开(公告)日：2023-11-17
申请号：CN202311115010.5
申请日：2023-08-31
申请人： 哈尔滨理工大学 , 哈尔滨工业大学 , 中数(深圳)时代科技有限公司
IPC分类号： G06F16/2457 , G06F18/214 , G06F18/25 , G06F21/62 , G06F17/15
摘要： 本发明一种基于联邦学习的多模态推荐方法及系统，涉及计算机信息推荐技术领域，为解决现有方法难以保障多方的数据不出本地、断绝数据在上传过程中的隐私泄露并实现高精度的推荐的问题。包括：步骤1：多个客户端分别对本地数据集进行预处理；步骤2：服务器端构建多模态模型及损失函数，并下发至各客户端；步骤3：各客户端对模型进行训练，将最优模型参数上传至服务器端；步骤4：服务器端对各模型参数进行聚合得到聚合模型，并对其进行训练，再次下发到客户端；步骤5：客户端对模型再次进行验证和测试，得到多模态推荐模型，实现联邦多模态推荐。本发明在保护用户隐私的前提下，有效地融合多个分布式数据源的信息，进行个性化的推荐。
-
公开(公告)号：CN118864087A
公开(公告)日：2024-10-29
申请号：CN202410910485.1
申请日：2024-07-09
申请人： 哈尔滨理工大学 , 哈尔滨工业大学 , 中数(深圳)时代科技有限公司
IPC分类号： G06Q40/03 , G06N3/098 , G06N3/084 , G06N3/0499 , G06F21/62
摘要： 本发明一种基于联邦学习和隐私保护的供应链金融信贷风险评估方法、系统及存储介质，涉及供应链金融领域，为解决现有方法中模型无法灵活适应不同类型数据，以及数据量不足和数据隐私问题。本发明基于联邦学习模型，参与方客户端采用信息瓶颈对信贷数据进行特征提取，并采用差分隐私向数据添加噪声，中心服务器对数据进行汇总得到全局数据集；改进的多层感知机的网络模型引入自适应激活函数和层间残差连接，参与方客户端基于本地数据集结合全局数据集对网络模型进行训练，采用同态加密对传送的模型参数加密，中心服务器对各参与方客户端模型参数进行安全聚合并解密，更新模型参数，循环训练得到信贷风险评估模型，对供应链金融信贷风险进行评估。
-
公开(公告)号：CN118779912A
公开(公告)日：2024-10-15
申请号：CN202410891893.7
申请日：2024-07-04
申请人： 哈尔滨理工大学 , 哈尔滨工业大学 , 中数(深圳)时代科技有限公司
摘要： 本发明公开了一种基于区块链技术的行程匹配方法及系统，涉及行程匹配技术领域。本发明的技术要点包括：所述方法应用在区块链上，首先确定最优行程距离的双方用户；然后调用智能合约对双方用户的位置数据进行扰动处理，调用智能合约对双方用户的手机号码进行加密处理，并存储扰动处理后的位置数据和加密后的手机号码；最后基于扰动处理后的位置数据对双方用户进行行程匹配；其中，扰动处理使得原始位置数据被加入随机噪声，双方用户无法从扰动后的数据中推断原始位置。本发明能够确保双方用户无法直接获取到对方的具体位置数据和手机号码，同时也能够保障用户的个人信息不被滥用，为用户提供了更加私密和可靠的出行体验。
-
公开(公告)号：CN118569559A
公开(公告)日：2024-08-30
申请号：CN202410622333.1
申请日：2024-05-20
申请人： 哈尔滨理工大学 , 哈尔滨工业大学 , 中数(深圳)时代科技有限公司
IPC分类号： G06Q10/0631 , G06Q50/06 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/042 , G06F18/2411 , H04L67/12
摘要： 一种基于图卷积网络的联邦学习无人车充电预测方法、系统及存储介质，涉及港口自动化运输领域，为解决现有方法无法提供精确的充电调度，且存在数据孤岛的问题。本发明基于联邦学习模型，包括一个中心服务器和N个客户端，N个客户端包括无人车节点和充电站节点；S1、客户端分别接收无人车实时采集的数据；S2、采用图卷积网络处理无人车节点与充电站节点之间的交互，将无人车图结构数据与其它特征数据进行特征提取与融合，引入注意力机制增强对关键信息的聚焦；S3、客户端构建有无人车充电预测模型；S4、各客户端对模型进行训练；S5、各客户端将训练后的模型参数进行同态加密并发送给中心服务器进行聚合；S7、采用训练后的模型进行无人车充电预测。
-
公开(公告)号：CN118446356A
公开(公告)日：2024-08-06
申请号：CN202410521136.0
申请日：2024-04-28
申请人： 哈尔滨理工大学 , 哈尔滨工业大学 , 中数(深圳)时代科技有限公司
IPC分类号： G06Q10/04 , H02J3/00 , G06Q50/06 , G06N3/0455 , G06N3/0499 , G06N3/048 , G06N3/049
摘要： 本发明提出一种基于时空嵌入独立的多变量时间序列预测方法，属于多变量时间序列预测技术领域。获取多变量时间序列数据作为样本数据，构建基于时空嵌入独立的多变量时间序列预测模型，使用多变量时间序列数据训练预测模型，更新模型权重，将多变量时间序列的电力负荷数据输入至预测模型，输出预测结果。本发明显著地增加多变量时间序列预测的精度；显著地降低了模型的计算开销，同时可以解决了跨时间依赖建模和跨维度依赖建模之间相互耦合导致状态向量规模过大的问题和在多变量时间序列的各个变量没有明确相关关系时，显式跨维度依赖建模导致的过拟合问题。
-
公开(公告)号：CN118866216A
公开(公告)日：2024-10-29
申请号：CN202410906087.2
申请日：2024-07-08
申请人： 哈尔滨理工大学 , 哈尔滨工业大学 , 中数(深圳)时代科技有限公司
IPC分类号： G16H10/60 , G16H50/20 , G16H50/30 , G16H50/70 , G16H40/67 , G06N5/025 , G06N3/042 , G06N3/098 , G06F40/16 , G06F18/213 , G06N3/045 , G06N3/0464
摘要： 本发明一种基于联邦学习和知识图谱的痛风病分期预测方法、系统及存储介质，涉及智能医疗领域，为解决现有的机器学习模型难以全面、准确地捕捉病例数据中的关键信息，且存在隐私数据泄露的风险，及医院之间的数据孤岛问题。本发明客户端基于患者病历数据集构建关键词相关的知识图谱子图；中心服务端构建有R‑GCN模型，客户端采用知识图谱子图对R‑GCN模型进行训练，模型参数经加密后发送至中心服务端聚合，至模型满足训练条件。采用训练后的模型对知识图谱子图进行编码，得到编码信息R1；对数据集中的文本特征数据进行向量化编码与数值特征进行横向连接得到编码信息R2；横向连接编码信息R1与R2后，经过深度学习网络模型对痛风病的不同分期进行分类预测。
-
公开(公告)号：CN118366540A
公开(公告)日：2024-07-19
申请号：CN202410460028.7
申请日：2024-04-17
申请人： 哈尔滨理工大学 , 哈尔滨工业大学 , 中数(深圳)时代科技有限公司
IPC分类号： G16B20/00 , G16B40/20 , G16H50/70 , G06N3/042 , G06N3/0455 , G06N3/084 , G06N3/09 , G06F18/213 , G06F18/241
摘要： 基于图自编码器的LncRNA与疾病关联预测方法、设备及计算机存储介质，属于LncRNA与疾病关联关系的预测；解决了现有关联预测方法所存在的不能有效捕捉疾病与LncRNA之间的非线性关系或线性关系、预测效率低以及时间成本和经济成本高的问题；所述方法包括：S1、获取LncRNA、MiRNA与疾病三者之间的已知关联信息；S2、获得疾病的语义相似性；S3、获得LncRNA的功能相似性以及MiRNA的功能相似性；S4、采用矩阵拼接的方式，获得异构网络；S5、获得若干个特征子图；S6、获得与所述LncRNA与疾病节点对对应的特征向量；S7、获得关联度预测值。所述基于图自编码器的LncRNA与疾病关联预测方法、设备及计算机存储介质，适用于预测LncRNA与疾病的关联。
-
-
-
-
-
-
-
-
-
搜索结果
30 条记录 (耗时 0.055 秒)
