-
公开(公告)号：CN118213048B
公开(公告)日：2024-11-05
申请号：CN202410337026.9
申请日：2024-03-22
申请人： 清华大学
IPC分类号： G16H30/40 , G06T5/70 , G06T5/60 , G06N3/0475 , G06N3/08
摘要： 本申请提供一种影像处理方法、模型训练方法、设备、介质及产品。该方法包括：获取已训练生成网络，已训练生成网络包括：已训练编码网络、已训练随机采样网络和已训练解码网络；采用已训练编码网络提取并输出真实医学影像中的真实疾病核心特征；采用已训练随机采样网络基于随机噪声数据生成并输出随机匿名特征；随机匿名特征与真实医学影像中的真实疾病非核心特征的相似度大于第一相似度阈值；将真实疾病核心特征和随机匿名特征输入到已训练解码网络中，并采用已训练解码网络对真实疾病核心特征和随机匿名特征进行融合和解码处理，以生成匿名医学影像并输出。本申请能够准确地对医学影像数据进行匿名模糊化处理。
-
公开(公告)号：CN117892805A
公开(公告)日：2024-04-16
申请号：CN202410306872.4
申请日：2024-03-18
申请人： 清华大学
摘要： 本发明涉及机器学习技术领域，特别涉及一种基于超网络和层级别协作图聚合的个性化联邦学习方法，其中，方法包括：接收多个客户端的目标模型参数更新量和更新后的多个客户端目标模型参数，并对超网络中的目标超网络参数进行自适应更新，分层计算多个客户端的目标模型参数更新量得到初始相似性矩阵，并利用目标超网络参数显式建模多个客户端的协作关系，进而生成层级别协作图，将更新后的多个客户端的目标模型参数分层，并按对应层级别协作图边权重进行加权聚合，得到每个客户端的最优个性化模型。由此，有效缓解了基于个性化参数聚合的联邦学习方法在选择客户端进行协作时不够灵活的问题。
-
公开(公告)号：CN117892805B
公开(公告)日：2024-05-28
申请号：CN202410306872.4
申请日：2024-03-18
申请人： 清华大学
摘要： 本发明涉及机器学习技术领域，特别涉及一种基于超网络和层级别协作图聚合的个性化联邦学习方法，其中，方法包括：接收多个客户端的目标模型参数更新量和更新后的多个客户端目标模型参数，并对超网络中的目标超网络参数进行自适应更新，分层计算多个客户端的目标模型参数更新量得到初始相似性矩阵，并利用目标超网络参数显式建模多个客户端的协作关系，进而生成层级别协作图，将更新后的多个客户端的目标模型参数分层，并按对应层级别协作图边权重进行加权聚合，得到每个客户端的最优个性化模型。由此，有效缓解了基于个性化参数聚合的联邦学习方法在选择客户端进行协作时不够灵活的问题。
-
公开(公告)号：CN110245948A
公开(公告)日：2019-09-17
申请号：CN201910445719.9
申请日：2019-05-27
申请人： 清华大学
摘要： 本发明公开了一种基于区块链和非对称加密的数据交易方法及系统，方法包括：数据供应端展示数据概况；数据需求端查询数据概况，并提出数据购买请求；数据供应端接收数据购买请求，生成一组公私钥，使用公钥对原始数据进行加密，并将加密数据以及对应的公钥发送给数据需求端；数据需求端接收到加密数据之后，提出正式交易请求，并记录在区块链的分布式账本中；数据供应端查询正式交易请求，若根据解密私钥对交易进行确认并确认成功，则将解密私钥写入分布式账本中；数据需求端获取解密私钥，对加密数据进行解密，获取原始数据，完成交易。本发明通过分布式账本的不可否认性以及非对称加密算法的加解密验证，确保交易的安全可靠性。
-
公开(公告)号：CN118213048A
公开(公告)日：2024-06-18
申请号：CN202410337026.9
申请日：2024-03-22
申请人： 清华大学
IPC分类号： G16H30/40 , G06T5/70 , G06T5/60 , G06N3/0475 , G06N3/08
摘要： 本申请提供一种影像处理方法、模型训练方法、设备、介质及产品。该方法包括：获取已训练生成网络，已训练生成网络包括：已训练编码网络、已训练随机采样网络和已训练解码网络；采用已训练编码网络提取并输出真实医学影像中的真实疾病核心特征；采用已训练随机采样网络基于随机噪声数据生成并输出随机匿名特征；随机匿名特征与真实医学影像中的真实疾病非核心特征的相似度大于第一相似度阈值；将真实疾病核心特征和随机匿名特征输入到已训练解码网络中，并采用已训练解码网络对真实疾病核心特征和随机匿名特征进行融合和解码处理，以生成匿名医学影像并输出。本申请能够准确地对医学影像数据进行匿名模糊化处理。
-
公开(公告)号：CN117932285A
公开(公告)日：2024-04-26
申请号：CN202410340062.0
申请日：2024-03-25
申请人： 清华大学
IPC分类号： G06F18/21 , G06F18/20 , G06N3/042 , G06N3/0455 , G06N3/084
摘要： 本发明涉及数据处理技术领域，特别涉及一种基于异构图的数据重要性评估方法及装置，其中，方法包括：基于实际需求和已有数据，建立已有数据的数据异构图；通过数据重要性分数的预设公式计算数据异构图的图节点对应的数据重要性分数；利用数据异构图和图节点对应的数据重要性分数训练目标模型，生成数据重要性评估模型，评估其他图节点的数据重要性评估结果，其中，目标模型为基于HGDM‑GNN的目标模型。由此，解决了相关技术中，利用GNN对专利数据价值进行评估预测没有对含有不同边类型的异构图直接建模，实用性较差，而利用GNN获得客户数据的最终价值没有明确给出使用GNN的方法和公式，较为宽泛，较难指导应用等技术问题。
-
-
-
-
-
搜索结果
6 条记录 (耗时 0.019 秒)
