-
公开(公告)号：CN113326949A
公开(公告)日：2021-08-31
申请号：CN202110399316.2
申请日：2021-04-14
Applicant: 厦门大学
Abstract: 本发明公开了一种联邦学习的模型参数优化方法及系统，方法包括：获取多个客户端上传的模型参数及其对应的训练损失；计算每个客户端对应的梯度，以便更新历史梯度列表；根据训练损失对每个客户端对应的梯度进行排序，并依次判断每个客户端对应的梯度与除自身外的其他梯度之间是否存在矛盾分量；如果是，则采用投影的方式依次消去每个客户端对应的梯度与其他梯度相矛盾的分量，以得到每个客户端投影后的梯度并进行聚合以得到初步梯度；从某一轮起按轮数判断初步梯度与那一轮中被采样且当前轮未被采样的客户端的历史梯度之间是否存在矛盾分量；如果是，则采用投影的方式消除初步梯度中与那一轮的所有矛盾分量的总和；从而提高联邦学习模型的公平性。
-
公开(公告)号：CN110415516B
公开(公告)日：2021-06-22
申请号：CN201910637679.8
申请日：2019-07-15
Applicant: 厦门大学
Abstract: 本发明公开了一种基于图卷积神经网络的城市交通流预测方法和介质，其中方法包括：获取原始数据；根据每个节点对应的经纬度信息生成距离矩阵；根据限速平均值和距离矩阵计算可达矩阵；构建用于预测交通流速的初始交通流预测模型，并将交通流速信息和可达矩阵输入到初始交通流预测模型，以便初始交通流预测模型根据交通流速信息和可达矩阵输出交通流速预测值；对初始交通流预测模型进行训练，以确定最终的交通流预测模型；将待预测交通流速信息和待预测可达矩阵输入交通流预测模型，以便通过交通流预测模型对未来交通流进行预测；实现对城市交通路网的空间特征进行有效提取，提高交通流预测的精准度，并且，提高该预测方法的普适性，使其便于推广。
-
公开(公告)号：CN111259767A
公开(公告)日：2020-06-09
申请号：CN202010031165.0
申请日：2020-01-13
Applicant: 厦门大学
IPC: G06K9/00 , G06F16/535 , G06F16/583 , G06F16/587 , G06N3/04 , G06N3/08 , G06T11/20 , G08G1/01
Abstract: 本发明公开了基于交通数据及街景数据的交通违法行为识别方法和系统。包括首先提取驾驶行为，构建驾驶行为数据库；对驾驶行为时的道路环境数据进行复原，获取对应的街景图片序列；通过目标检测算法检测其中的交通标志，判断交通标志的类型是否与驾驶行为相对应，从而判断驾驶行为是否违法。本发明通过地图匹配算法进行驾驶行为的提取，解决了直接从轨迹数据中提取转向等驾驶行为存在的各种弊端，将人工智能技术与大规模街景图片数据相结合，利用深度学习目标检测算法检测街景图片中的交通标志，为违法行为的识别提供依据；且通过将驾驶行为与街景图片相匹配，极大地减少了所需要进行检测的街景图片数量，准确识别出对应的违法驾驶行为。
-
公开(公告)号：CN109117987A
公开(公告)日：2019-01-01
申请号：CN201810790785.5
申请日：2018-07-18
Applicant: 厦门大学
Abstract: 本发明公开了一种基于深度学习的个性化交通事故风险预测推荐方法，包括以下步骤：将城市划分为网格区域；计算各网格区域各时段的交通事故数据、交通流量数据、天气特征数据；利用深度学习方法进行模型训练，获得交通事故风险预测模型；根据当前时刻的交通事故数据、交通流量数据及天气特征数据输入，利用交通事故风险预测模型计算下一时刻城市区域交通事故风险预测情况。本发明利用深度学习方法学习交通事故影响因子与交通事故之间的非线性、高维、复杂关联关系，对城市级别的交通事故风险进行预测，提升了预测结果的准确性。
-
公开(公告)号：CN117395024A
公开(公告)日：2024-01-12
申请号：CN202311140704.4
申请日：2023-09-05
Applicant: 厦门大学
Abstract: 本申请的实施例提供了一种基于图纵向联邦模型的防御方法、装置、介质及设备。该方法包括：根据接收到的针对目标节点的预测请求，向各参与方对应的本地服务器发送针对目标节点的目标节点嵌入上传指令，以使各本地服务器反馈与目标节点相对应的目标节点嵌入；查询历史节点嵌入库，将与除恶意参与方以外的其他参与方发送的目标节点嵌入之间总相似度最高的历史节点嵌入组作为目标历史节点嵌入组；将目标历史节点嵌入组中由恶意参与方发送的历史节点嵌入替换由该恶意参与方发送的目标节点嵌入并调用全局模型进行预测，以使全局模型输出与目标节点对应的预测结果。本申请实施例的技术方案可以提高图纵向联邦模型的鲁棒性，保证其对对抗攻击的防御效果。
-
Patent Agency Ranking
公开(公告)号：CN117056962A
公开(公告)日：2023-11-14
申请号：CN202310903744.3
申请日：2023-07-21
Applicant: 厦门大学
Abstract: 本发明公开了一种联邦学习大模型精调方法及装置，该方法包括：服务器端将预训练好的模型划分为第一模型和第二模型；客户端构建与第一模型结构一致的本地模型，并根据第一模型的参数固定本地模型参数；在每一轮通信中，客户端获取嵌入数据，并根据差分隐私机制对嵌入数据进行加密，以得到加密后的嵌入数据；服务器端将加密后的嵌入数据输入到第二模型，以得到输出数据；客户端根据输出数据计算模型损失，以便得到对应的梯度；服务器端根据梯度计算第二模型中的参数对应的梯度，并根据第二模型中的参数对应的梯度对第二模型进行更新，重复通信训练直至第二模型收敛；由此，通过联邦分离和差分隐私加密避免了私域数据和模型参数泄露的风险。
-
公开(公告)号：CN117010490A
公开(公告)日：2023-11-07
申请号：CN202310776719.3
申请日：2023-06-28
Applicant: 厦门大学
IPC: G06N5/01 , G06N3/0442 , G06N3/08 , G06F18/25
Abstract: 本申请的实施例提供了一种基于图表示学习的数据插值方法、装置、介质及设备。该方法中对多重异质关系中目标预测节点和邻居节点之间的相似性和差异性同时进行建模，以聚合邻居节点的节点信息，得到目标预测节点的归纳式特征表示，并基于GRU神经网络在多重异质关系中自适应地根据邻居节点在时间维度上的信息流动模式指导目标预测节点时间相关性的建模，再在不同时间步动态地融合多重异质关系中学习到的目标预测节点的目标节点表示以输出目标预测节点的估计序列。本申请实施例的技术方案可以提高数据插值的合理性以及准确性。
-
公开(公告)号：CN116523104A
公开(公告)日：2023-08-01
申请号：CN202310261342.8
申请日：2023-03-17
Applicant: 厦门大学
IPC: G06Q10/04 , G06F18/25 , G06F16/29 , G06F16/901 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于情景感知和深度学习的异常群体流量预测方法及装置，通过构建群体流量时空预测模型并进行训练，得到经训练的群体流量时空预测模型，获取历史群体流量和地图区域边界，并筛选位于地图区域边界内的历史群体流量，得到区域群体流量，根据区域群体流量构建群体流量时空图；获取事件信息，根据事件信息及其对应的城市环境数据提取得到事件时序特征，根据事件信息和区域群体流量提取得到事件空间影响矩阵；将群体流量时空图、事件时序特征和事件空间影响矩阵输入经训练的群体流量时空预测模型，能够预测得到未来群体流量和事件引发的群体流量波动，并能对未来出现的异常群体流量进行及时响应。
-
公开(公告)号：CN116091887A
公开(公告)日：2023-05-09
申请号：CN202211734860.9
申请日：2022-12-30
Applicant: 厦门大学
IPC: G06V10/82 , G06V10/764 , G06N3/047 , G06N3/0895
Abstract: 本发明公开了一种基于弱监督的目标检测模型训练方法及装置，其中方法包括：获取目标环境下的原始三维点云数据和部分标记的三维点云数据；预设多个锚点框，并根据所述多个锚点框对应的点云密度进行筛选以得到对应的第一候选框；对所述对应的第一候选框进行动态调整，以便对所述对应的第一候选框进行筛选，以得到对应的弱伪标签；对所述原始三维点云数据和所述部分标记的三维点云数据进行筛选处理，以得到对应的第二候选框，并根据真实标记框进行伪标签提纯，以得到强伪标签；根据所述弱伪标签和所述强伪标签对预先设置的神经网络进行训练，以得到训练好的目标检测模型，从而减少了人力和时间成本。
-
公开(公告)号：CN111259767B
公开(公告)日：2023-04-18
申请号：CN202010031165.0
申请日：2020-01-13
Applicant: 厦门大学
IPC: G06V20/54 , G06V10/82 , G06V10/75 , G06V10/766 , G06V10/776 , G06V10/778 , G06V10/774 , G06F16/29 , G08G1/01
Abstract: 本发明公开了基于交通数据及街景数据的交通违法行为识别方法和系统。包括首先提取驾驶行为，构建驾驶行为数据库；对驾驶行为时的道路环境数据进行复原，获取对应的街景图片序列；通过目标检测算法检测其中的交通标志，判断交通标志的类型是否与驾驶行为相对应，从而判断驾驶行为是否违法。本发明通过地图匹配算法进行驾驶行为的提取，解决了直接从轨迹数据中提取转向等驾驶行为存在的各种弊端，将人工智能技术与大规模街景图片数据相结合，利用深度学习目标检测算法检测街景图片中的交通标志，为违法行为的识别提供依据；且通过将驾驶行为与街景图片相匹配，极大地减少了所需要进行检测的街景图片数量，准确识别出对应的违法驾驶行为。
-
-
-
-
-
-
-
-
-
Search Results
52
records
(took 0.023 seconds)
