-
公开(公告)号：CN117952205B
公开(公告)日：2024-06-18
申请号：CN202410346521.6
申请日：2024-03-26
申请人： 电子科技大学(深圳)高等研究院 , 电子科技大学 , 广州大学
IPC分类号： G06N5/022 , G06N5/04 , G06F18/214
摘要： 本发明提供了一种针对知识图谱嵌入模型的后门攻击方法、系统及介质，该方法包括：基于目标KGE模型的应用场景，训练一个相同场景的受控KGE模型；基于攻击目标和已对齐实体对，推理目标KGE模型中的攻击路径；利用后门攻击方法攻击受控KGE模型，影响并更改受控KGE模型中已对齐实体#imgabs0#的向量表示；利用受控KGE模型和目标KGE模型之间已对齐的实体对，将攻击影响从受控KGE模型的实体#imgabs1#传递到目标KGE模型的实体#imgabs2#，改变目标KGE模型中已对齐实体#imgabs3#的向量表示；基于#imgabs4#的已更改向量，通过攻击路径，改变目标KGE模型中攻击目标实体#imgabs5#的向量表示，实现后门攻击。本发明无需操控目标KGE模型的全部训练数据即可实现攻击目的，具有更强的实用性，可适用于真实场景。
-
公开(公告)号：CN117952205A
公开(公告)日：2024-04-30
申请号：CN202410346521.6
申请日：2024-03-26
申请人： 电子科技大学(深圳)高等研究院 , 电子科技大学 , 广州大学
IPC分类号： G06N5/022 , G06N5/04 , G06F18/214
摘要： 本发明提供了一种针对知识图谱嵌入模型的后门攻击方法、系统及介质，该方法包括：基于目标KGE模型的应用场景，训练一个相同场景的受控KGE模型；基于攻击目标和已对齐实体对，推理目标KGE模型中的攻击路径；利用后门攻击方法攻击受控KGE模型，影响并更改受控KGE模型中已对齐实体#imgabs0#的向量表示；利用受控KGE模型和目标KGE模型之间已对齐的实体对，将攻击影响从受控KGE模型的实体#imgabs1#传递到目标KGE模型的实体#imgabs2#，改变目标KGE模型中已对齐实体#imgabs3#的向量表示；基于#imgabs4#的已更改向量，通过攻击路径，改变目标KGE模型中攻击目标实体#imgabs5#的向量表示，实现后门攻击。本发明无需操控目标KGE模型的全部训练数据即可实现攻击目的，具有更强的实用性，可适用于真实场景。
-
公开(公告)号：CN115774788B
公开(公告)日：2024-04-23
申请号：CN202211455237.X
申请日：2022-11-21
申请人： 电子科技大学 , 电子科技大学(深圳)高等研究院 , 广州大学
摘要： 本发明公开了一种用于知识图谱嵌入模型的负采样方法，包括以下步骤：S1：初始化n个包含N个负样本的存储空间；S2：根据给定的正样本三元组，基于实体集合ε中全部实体生成负样本集合，通过均匀采样，从负样本集合中采样得到2*N1个负样本；S3：将步骤S2得到的若干个负样本添加至所储空间；S4：对存储空间中的负样本进行重要性评估；S5：对存储空间中所有负样本的重要性进行排序，保留重要性分数高的N3个样本；S6：从保留的负样本中均匀采样N个负样本组成HNS；S7：重复步骤S2‑S6n次；S8：对模型进行迭代训练。本发明提供的技术方案占用资源少，运行效率高，广泛适用于各种知识图谱模型。
-
公开(公告)号：CN117951528B
公开(公告)日：2024-07-02
申请号：CN202410339408.5
申请日：2024-03-25
申请人： 电子科技大学(深圳)高等研究院 , 电子科技大学 , 广州大学
IPC分类号： G06F18/214 , G06F21/55 , G06N5/022 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/042
摘要： 本发明公开一种用于知识图谱嵌入模型的对抗训练方法和系统，方法包括：基于各知识三元组正样本，生成并采样得到对应的负样本集合，利用正样本和负样本集合训练获得基础KGE模型；利用基于梯度的后门攻击方法、基于相似度的后门攻击方法和基于逻辑的后门攻击方法攻击基础KGE模型，得到对抗样本集合；将对抗样本集合添加到负样本集合中，形成强化负样本集合，利用大量正样本和强化负样本集合，训练得到强化KGE模型。本发明方法丰富了对抗样本的范围，使KGE模型可以抵御多种后门攻击，防御效果好，提高了KGE模型的安全性和鲁棒性。
-
公开(公告)号：CN117951528A
公开(公告)日：2024-04-30
申请号：CN202410339408.5
申请日：2024-03-25
申请人： 电子科技大学(深圳)高等研究院 , 电子科技大学 , 广州大学
IPC分类号： G06F18/214 , G06F21/55 , G06N5/022 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/042
摘要： 本发明公开一种用于知识图谱嵌入模型的对抗训练方法和系统，方法包括：基于各知识三元组正样本，生成并采样得到对应的负样本集合，利用正样本和负样本集合训练获得基础KGE模型；利用基于梯度的后门攻击方法、基于相似度的后门攻击方法和基于逻辑的后门攻击方法攻击基础KGE模型，得到对抗样本集合；将对抗样本集合添加到负样本集合中，形成强化负样本集合，利用大量正样本和强化负样本集合，训练得到强化KGE模型。本发明方法丰富了对抗样本的范围，使KGE模型可以抵御多种后门攻击，防御效果好，提高了KGE模型的安全性和鲁棒性。
-
公开(公告)号：CN115774788A
公开(公告)日：2023-03-10
申请号：CN202211455237.X
申请日：2022-11-21
申请人： 电子科技大学 , 电子科技大学(深圳)高等研究院 , 广州大学
摘要： 本发明公开了一种用于知识图谱嵌入模型的负采样方法，包括以下步骤：S1：初始化n个包含N个负样本的存储空间；S2：根据给定的正样本三元组，基于实体集合ε中全部实体生成负样本集合，通过均匀采样，从负样本集合中采样得到2*N1个负样本；S3：将步骤S2得到的若干个负样本添加至所储空间；S4：对存储空间中的负样本进行重要性评估；S5：对存储空间中所有负样本的重要性进行排序，保留重要性分数高的N3个样本；S6：从保留的负样本中均匀采样N个负样本组成HNS；S7：重复步骤S2‑S6n次；S8：对模型进行迭代训练。本发明提供的技术方案占用资源少，运行效率高，广泛适用于各种知识图谱模型。
-
公开(公告)号：CN114936932A
公开(公告)日：2022-08-23
申请号：CN202210379844.6
申请日：2022-04-12
申请人： 电子科技大学 , 电子科技大学(深圳)高等研究院 , 广州大学
IPC分类号： G06Q40/04 , G06Q30/02 , G06F16/951 , G06F40/216 , G06F40/284 , G06F40/289 , G06F40/30 , G06N3/04 , G06N3/08
摘要： 本发明一方面提供了一种结合新闻大事件的多源信息股票价格预测方法，包括S1，获取新闻大事件的情感特征表示；S2，获取股民的情感特征表示；S3，获取股票价格的历史数据特征表示；S4，基于新闻大事件的情感特征表示、股民的情感特征表示、股票价格的历史数据特征表示，训练深度神经网络模型，预测未来的股票价格波动。另一方面还提供了用于实现上述方法的系统。与只采用财经新闻和股票历史数据的方法相比，本发明可显著提高股票价格的预测精度，解决股票价格预测准确度低的技术问题。
-
公开(公告)号：CN116361476B
公开(公告)日：2024-05-17
申请号：CN202211455256.2
申请日：2022-11-21
申请人： 电子科技大学 , 电子科技大学(深圳)高等研究院 , 广州大学
IPC分类号： G06F16/36 , G06F18/22 , G06F18/214
摘要： 本发明公开了一种基于插值法的知识图谱负样本合成方法，包括以下步骤：S1：候选集筛选：从负样本中筛选负样本集合cand_il，作为mixup操作的候选集；S2：mixup样本合成：选择cand_il中的负样本进行合成得到cand_im，再将cand_im中的负样本和正样本#imgabs0#进行二次mixup合成；S3：训练更新：将得到的负样本集合cand_il、cand_im、cand_ik再筛选得到cand_is，并将其用于模型训练和更新强负样本集合#imgabs1#本发明易于实现，运算速度快，不增加原始嵌入模型的复杂度；能增强虚拟负样本的多样性，提升知识图谱嵌入模型的性能，易于叠加到已有的知识图谱嵌入模型中。
-
公开(公告)号：CN116361476A
公开(公告)日：2023-06-30
申请号：CN202211455256.2
申请日：2022-11-21
申请人： 电子科技大学 , 电子科技大学(深圳)高等研究院 , 广州大学
IPC分类号： G06F16/36 , G06F18/22 , G06F18/214
摘要： 本发明公开了一种基于插值法的知识图谱负样本合成方法，包括以下步骤：S1：候选集筛选：从负样本中筛选负样本集合cand_il，作为mixup操作的候选集；S2：mixup样本合成：选择cand_il中的负样本进行合成得到cand_im，再将cand_im中的负样本和正样本进行二次mixup合成；S3：训练更新：将得到的负样本集合cand_il、cand_im、cand_ik再筛选得到cand_is，并将其用于模型训练和更新强负样本集合本发明易于实现，运算速度快，不增加原始嵌入模型的复杂度；能增强虚拟负样本的多样性，提升知识图谱嵌入模型的性能，易于叠加到已有的知识图谱嵌入模型中。
-
公开(公告)号：CN108492262B
公开(公告)日：2020-05-08
申请号：CN201810182529.8
申请日：2018-03-06
申请人： 电子科技大学
摘要： 本发明公开了一种基于梯度结构相似性的无鬼影高动态范围成像方法，针对目前无鬼影高动态范围图像方法存在的问题，利用参考图像与其余输入图像(非参考图)之间的梯度结构相似性可准确地判别出鬼影区域，并通过泊松图像编辑算法去除参考图像与其余输入图像之间存在移动物体的区域(鬼影区域)，最后使用静态场景的多曝光高动态范围图像生成算法得到无鬼影的高动态范围图像。本发明不仅具有良好的鬼影去除效果，而且还能够生成高质量的图像。
-
-
-
-
-
-
-
-
-
搜索结果
62 条记录 (耗时 0.069 秒)
