-
公开(公告)号：CN114781553A
公开(公告)日：2022-07-22
申请号：CN202210695144.8
申请日：2022-06-20
申请人： 浙江大学滨江研究院
IPC分类号： G06K9/62 , G06V10/762 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种基于并行多图卷积神经网络的无监督专利聚类方法，在构建4类专利图和自编码器对专利数据的编码向量的基础上，通过图卷积操作以充分提取4类专利图和编码向量，以此全面提取专利数据的有效特征向量，通过并行单图自注意力模块每类特征向量分配权值，提高单图重要特征的重要程度以得到单图注意力向量，通过多图注意力模块融合所有类的单图注意力向量进行学习，以此为重要的单图分配更大的权重，使得得到的全局注意力向量综合了多方面特征信息，进而提升聚类的精度。
-
公开(公告)号：CN114637922A
公开(公告)日：2022-06-17
申请号：CN202210533805.7
申请日：2022-05-17
申请人： 浙江大学滨江研究院
IPC分类号： G06F16/9535 , G06F16/958 , G06K9/62 , G06N3/04 , G06N3/08 , G06Q30/06
摘要： 本发明公开了一种基于神经网络集合操作的用户偏好推荐方法和装置，在获得正反馈交互序列和负反馈交互序列以及用户全局偏好信息的基础上，同时结合正反馈交互序列和负反馈交互序列对应的正反馈交互向量序列和负反馈交互向量序列，并采用集合操作获得正反馈偏好表示和负反馈偏好表示后，利用多层感知器对正反馈偏好表示和负反馈偏好表示以及用户全局偏好信息对应的用户全局偏好向量进行映射计算以获得用户综合偏好表示，最后通过计算用户综合偏好表示和候选交互项对应向量的相似度来评估推荐得分，依据推荐得分实现用户偏好推荐，这样能够提高用户偏好推荐的准确性。
-
公开(公告)号：CN116502709A
公开(公告)日：2023-07-28
申请号：CN202310755582.3
申请日：2023-06-26
申请人： 浙江大学滨江研究院
IPC分类号： G06N3/098 , G06N3/0464 , G06N3/045 , G06N3/084 , G06V10/82 , G06V10/80 , G06V10/764 , G06V10/774 , G06V10/762 , G06F21/62
摘要： 本发明公开了一种异质性联邦学习方法和装置，每轮异质性联邦学习依序执行可见域知识融合、扩散域数据生成以及扩散域知识融合阶段；在可见域知识融合阶段，通过图卷积神经网络对本地样本驱动的激活拓扑网络图进行图嵌入表示，更加真实反映联邦学习中不同参与方的数据异质性，通过利用知识迁移方式将簇内模型知识融合到不同簇的参与方，有效提升不同参与方的模型泛化性，提升模型的预测效果；在扩散域数据生成阶段，通过参与方在本地数据提取的特征生成扩散样本，保留了参与方原始的数据分布；扩散域知识融合阶段，采用扩散域的数据特征融合，可以有效融合不同数据域，缓解不同参与方的数据异质性，加快模型的收敛。
-
公开(公告)号：CN116434569A
公开(公告)日：2023-07-14
申请号：CN202211674332.9
申请日：2022-12-26
申请人： 浙江大学滨江研究院
IPC分类号： G08G1/065 , G08G1/01 , G06Q10/04 , G06Q10/063 , G06Q50/26 , G06F30/27 , G06F18/214 , G06N3/0442 , G06N3/0464 , G06N3/045 , G06N3/08
摘要： 本发明公开了一种基于STNR模型的交通流量预测方法及系统，包括将目标路段的历史交通流量数据按时间顺序进行排序，并划分为长期数据和短期数据，获得训练集；构建交通流量预测模型，将长期数据和短期数据作为交通流量预测模型的输入，训练所述的交通流量预测模型；所述的交通流量预测模型包括全连接层、长短期处理模块、时空卷积模块和多层感知器模块；采集当前时刻目标路段的交通流量数据，并输入至训练好的交通流量预测模型中，预测未来时段的交通流量。本发明有效的捕捉交通流量的空间依赖性和时间依赖性，提高了预测准确率。
-
公开(公告)号：CN113902954A
公开(公告)日：2022-01-07
申请号：CN202111084309.X
申请日：2021-09-15
申请人： 浙江大学滨江研究院
IPC分类号： G06V10/774 , G06V10/764 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种基于主特征增强的图像中毒防御方法、装置及其应用，方法包括：获取图像数据集；选取中毒攻击方法对图像样本进行下毒操作并对深度学习模型进行训练，获得中毒深度学习模型；基于特征神经通路获得主特征增强样本，构成主特征图像数据集；采用原始的图像数据集、主特征图像数据集以及对应的类标对中毒深度学习模型进行训练，获得增加防御机制后的深度学习模型；将中毒样本输入到增加防御机制后的深度学习模型中，统计中毒样本的标签变化率；迭代直至标签变化率大于或等于设定阈值，则获得最终的具有防御机制的深度学习模型。本发明的方法与深度学习采用的模型无关，并且适用于其他多种策略，不影响模型的正常功能的使用。
-
公开(公告)号：CN116257648A
公开(公告)日：2023-06-13
申请号：CN202310281834.3
申请日：2023-03-21
申请人： 浙江大学滨江研究院
摘要： 本发明公开了一种基于噪声网络和图像预处理的图像检索防御方法及系统，方法包括：对图像样本进行标注，构建训练数据集；以局部与全局特征深度正交融合为框架构建Efficient网络，并在其全连接层参数上添加噪声参数项，获得图像检索模型；将训练数据集中的图像样本进行JPEG压缩预处理后，输入至所述的图像检索模型中，对图像检索模型进行训练，获得具有主动防御能力的目标防御模型；将目标图像进行JPEG压缩预处理后，输入至所述的目标防御模型进行图像检索。本发明提高了图像检索模型的防御能力，同时在针对不同的数据集时，都能起到较好的防御效果。
-
公开(公告)号：CN114741369A
公开(公告)日：2022-07-12
申请号：CN202210456449.3
申请日：2022-04-28
申请人： 浙江大学滨江研究院
IPC分类号： G06F16/18 , G06F16/182 , G06N3/04 , G06N3/08
摘要： 一种基于自注意力机制的图网络的系统日志检测方法，首先从系统的主日志文件中收集日志文本数据，以及系统硬件数据，建立标准的多序列数据源；建立时空图神经网络模型，基于标准多序列数据建立序列间图关系，以及序列内时序关系，训练最优参数；基于最优参数模型，将新的标准多序列数据进行模型推理，建立推理结果判别标准；基于推理结果，定位异常事件发生区域及异常发生时间，基于硬件数据进一步分析异常原因。本发明具有很好的稳定性，检测精度高。
-
公开(公告)号：CN114781553B
公开(公告)日：2023-04-07
申请号：CN202210695144.8
申请日：2022-06-20
申请人： 浙江大学滨江研究院
IPC分类号： G06V10/762 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/088
摘要： 本发明公开了一种基于并行多图卷积神经网络的无监督专利聚类方法，在构建4类专利图和自编码器对专利数据的编码向量的基础上，通过图卷积操作以充分提取4类专利图和编码向量，以此全面提取专利数据的有效特征向量，通过并行单图自注意力模块每类特征向量分配权值，提高单图重要特征的重要程度以得到单图注意力向量，通过多图注意力模块融合所有类的单图注意力向量进行学习，以此为重要的单图分配更大的权重，使得得到的全局注意力向量综合了多方面特征信息，进而提升聚类的精度。
-
公开(公告)号：CN114637922B
公开(公告)日：2022-08-23
申请号：CN202210533805.7
申请日：2022-05-17
申请人： 浙江大学滨江研究院
IPC分类号： G06F16/9535 , G06F16/958 , G06K9/62 , G06N3/04 , G06N3/08 , G06Q30/06
摘要： 本发明公开了一种基于神经网络集合操作的用户偏好推荐方法和装置，在获得正反馈交互序列和负反馈交互序列以及用户全局偏好信息的基础上，同时结合正反馈交互序列和负反馈交互序列对应的正反馈交互向量序列和负反馈交互向量序列，并采用集合操作获得正反馈偏好表示和负反馈偏好表示后，利用多层感知器对正反馈偏好表示和负反馈偏好表示以及用户全局偏好信息对应的用户全局偏好向量进行映射计算以获得用户综合偏好表示，最后通过计算用户综合偏好表示和候选交互项对应向量的相似度来评估推荐得分，依据推荐得分实现用户偏好推荐，这样能够提高用户偏好推荐的准确性。
-
公开(公告)号：CN113887208A
公开(公告)日：2022-01-04
申请号：CN202111078755.X
申请日：2021-09-15
申请人： 浙江大学滨江研究院
IPC分类号： G06F40/279 , G06F40/216 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种基于注意力机制的对抗文本防御方法及系统，包括：将待识别文本输入到以编码器‑解码器为基本结构的自然语言处理模型中，利用单词评分函数计算文本中的每个单词的重要性得分，取重要性得分的倒数，构成重构评分向量；根据注意力公式计算每个隐藏层向量的权重，得到注意力权重向量；使用超参数与重构评分向量相乘的方式来平衡重构评分向量和注意力权重向量，将重构评分向量和注意力权重向量中的对应元素逐个相乘，得到最终的重构注意力向量；利用重构注意力向量与隐藏层特征向量相乘得到重构语义编码，解码后得到输出。本发明泛化性能好，应对新的对抗攻击时不用重新训练模型；对字符级对抗攻击及单词级对抗攻击都有一定的效果。
-
-
-
-
-
-
-
-
-
搜索结果
10 条记录 (耗时 0.031 秒)
