-
公开(公告)号：CN119539087A
公开(公告)日：2025-02-28
申请号：CN202411761603.3
申请日：2024-12-03
Applicant: 暨南大学
IPC: G06N5/04 , G06F21/62 , G06F16/9035 , G06F16/9038
Abstract: 本发明公开了一种面向隐私保护的个性化联邦推荐系统及方法，涉及联邦推荐系统领域。本发明为每个客户端构建一个物品偏好嵌入向量，并训练一个全局物品嵌入正交映射矩阵和一个用于生成物品嵌入混合因子矩阵的双层感知机，用于将全局物品嵌入矩阵与用户的物品偏好嵌入向量融合，为客户端构建了更加个性化、颗粒度更细的混合物品嵌入矩阵，并输入为客户端构建的个性化推荐预测感知机得到推荐结果，提升最终推荐效果；客户端向中央服务器上传数据时，进行本地差分隐私加密；为每个客户端进行负采样，将正样本和负样本混合后共同用于训练，提升训练效果的同时，使服务器无法根据客户端上传的更新数据辨别出客户端与物品的历史交互情况，保护用户隐私。
-
公开(公告)号：CN119005308B
公开(公告)日：2025-02-11
申请号：CN202411488220.3
申请日：2024-10-24
Applicant: 暨南大学 , 广东光大信息科技股份有限公司
IPC: G06N5/02 , G06N3/0442 , G06N3/0455 , G06F18/25
Abstract: 本发明公开了一种基于知识图谱的多模态习题表征方法，涉及多模态表征技术领域，包括：获取多模态信息的数学习题信息以及相关知识点，提取多模态习题涉及的所有元素；提取多模态习题的图像和文本特征；基于表层理解规则，明确习题文本和图片中各元素之间的空间关系，并构建表示表层信息的知识图谱；基于隐层理解的规则，将习题涉及的相关定理和公式转化为形式化语言，并构建表示隐层信息的知识图谱；将表示表层信息和表示隐层信息的知识图谱融合为表示完整的习题信息的知识图谱；基于表示不同习题信息的知识图谱节点和边，计算习题之间的相似度和困难度及文本知识图谱和图像知识图谱的匹配度；基于自动解题模型，获得习题的深度表征。
-
公开(公告)号：CN117932606B
公开(公告)日：2024-10-29
申请号：CN202410266168.0
申请日：2024-03-08
Applicant: 暨南大学
IPC: G06F21/56 , G06F18/2135 , G06F18/243 , G08G1/01 , G06N3/096
Abstract: 本发明公开了一种基于迁移学习的智能交通车辆安全检测方法及系统，其中方法包括以下步骤：构建基于Transformer迁移学习的智能交通载体安全攻击检测模型，并分为数据预处理模块和安全检测模块两部分。对于智能交通车辆数据预处理部分，采用主成分分析和决策树方法，进行数据特征降维，剔除数据中大部分不相关特征，保留数据最关键的攻击特征以及时序特征。对于安全检测模型部分，则视其为一种目标检测任务，以判断智能交通车辆是否受到外部攻击。Transformer结合了多头自注意力机制和目标分类技术，多头自注意力机制可以很好的学习智能交通车载网络数据的时序特征，而目标分类技术则可以用于识别不同的入侵攻击数据类型。
-
公开(公告)号：CN118035568B
公开(公告)日：2024-07-05
申请号：CN202410437158.9
申请日：2024-04-12
Applicant: 暨南大学
IPC: G06F16/9535 , G06N3/0499 , G06Q50/20
Abstract: 本发明涉及习题推荐技术领域，特别是涉及一种感知知识掌握程度的教育习题智能推荐方法，包括：获取第一预设时间内用户的历史答题信息；将历史答题信息输入预设的感知预测模型中，输出第二预设时间内用户的推荐练习习题，其中，感知预测模型通过数据集训练，数据集包含习题序列，习题序列为第三预设时间内用户的历史答题信息按时间先后顺序组成，第三预设时间大于且不包含第一预设时间；感知预测模型包括感知模块和预测模块，感知模块用于对数据集中的习题序列进行处理，获取输出向量；预测模块用于对输出向量进行处理，输出推荐结果。本发明能够为用户进行精准、有效的习题推荐。
-
Patent Agency Ranking
公开(公告)号：CN117932606A
公开(公告)日：2024-04-26
申请号：CN202410266168.0
申请日：2024-03-08
Applicant: 暨南大学
IPC: G06F21/56 , G06F18/2135 , G06F18/243 , G08G1/01 , G06N3/096
Abstract: 本发明公开了一种基于迁移学习的智能交通车辆安全检测方法及系统，其中方法包括以下步骤：构建基于Transformer迁移学习的智能交通载体安全攻击检测模型，并分为数据预处理模块和安全检测模块两部分。对于智能交通车辆数据预处理部分，采用主成分分析和决策树方法，进行数据特征降维，剔除数据中大部分不相关特征，保留数据最关键的攻击特征以及时序特征。对于安全检测模型部分，则视其为一种目标检测任务，以判断智能交通车辆是否受到外部攻击。Transformer结合了多头自注意力机制和目标分类技术，多头自注意力机制可以很好的学习智能交通车载网络数据的时序特征，而目标分类技术则可以用于识别不同的入侵攻击数据类型。
-
公开(公告)号：CN117540104A
公开(公告)日：2024-02-09
申请号：CN202311762184.0
申请日：2023-12-20
Applicant: 暨南大学
IPC: G06F16/9535 , G06N3/0895 , G06N5/022 , G06Q50/20 , G06F16/906
Abstract: 本发明公开了一种基于图神经网络的学习群体差异评价方法与系统，包括：获取学习者做题的历史交互信息，对历史交互信息进行处理，得到知识点群体和知识点群体构成的潜在交互序列；根据知识点群体和知识点群体构成的潜在交互序列对学习者群体进行聚类，得到学习者群体；计算所述学习者群体之间的差异，得到群体差异量化结果；将群体差异量化结果输入循环神经网络模块进行训练，得到训练完毕的学习群体差异评价模型；将学习者做题的交互信息输入至模型，得到学习者学习能力评估结果。本申请与传统技术相比，能实现数据驱动的群体动态分组，精准评估群体学习情况，输出不同层次学习者群体的学习能力评价结果，以便制定更有效的后续教育计划。
-
-
公开(公告)号：CN112052886A
公开(公告)日：2020-12-08
申请号：CN202010847005.3
申请日：2020-08-21
Applicant: 暨南大学
Abstract: 本发明属于深度学习计算机视觉领域，公开了一种基于卷积神经网络的人体动作姿态智能估计方法及装置，方法包括：将待进行动作姿态估计的人体图像输入到训练好的人体检测模型中进行处理，得人物个体检测结果，输入到训练好的全局估计模型中进行处理，得到不同尺度的人体关键点的第一特征图，输入到训练好的补充精调模型中进行处理，通过加强学习得到不同尺度的人体关键点的第二特征图；补充精调模型中包括多个特征提取分支，每个特征提取分支中设置数量不同的精调模块，通过各特征提取分支的精调模块加强学习；基于第二特征图，得到人体姿态估计结果。本发明有效解决了现有技术容易遗漏人体图像中难以分辨的关键点而导致人体姿态估计不准确的问题。
-
-
-
-
-
-
-
Search Results
29
records
(took 0.027 seconds)
