-
公开(公告)号：CN118152534A
公开(公告)日：2024-06-07
申请号：CN202410291545.6
申请日：2024-03-14
Applicant: 东北大学秦皇岛分校
IPC: G06F16/332 , G06F16/33 , G06F16/35 , G06F18/2415
Abstract: 本发明设计一种基于双向通道互补机制的情感原因对提取方法，首先设计四种查询子句，基于此在情感‑原因通道上，提取情感原因对以及在原因‑情感通道上，提取情感原因对；用原因‑情感通道结果来补充情感‑原因通道的结果，从而实现对文档中情感原因对的全面覆盖；本发明基于双向通道结构，从EC情感到原因和CE原因到情感两个方向对情感原因对进行提取，并且用可信度低的结果来补充可信度高的结果，从而实现对文档中情感原因对的全面覆盖；比于主流的端到端方法，本发明避免直接将子句和子句之间先配对再进行过滤，可以有效的缓解标签稀疏性问题，提高了情感原因对提取任务的效率。
-
公开(公告)号：CN110120026B
公开(公告)日：2022-04-05
申请号：CN201910432024.7
申请日：2019-05-23
Applicant: 东北大学秦皇岛分校
Abstract: 本发明公开了一种基于Schatten Capped p范数的矩阵补全方法，包括以下步骤：S1，对输入的不完备数据矩阵求出其对应的正交映射算子所述的正交映射算子表示数据矩阵D的对应项不为空的位置的集合；表示恢复后的矩阵；S2，定义矩阵的Schatten Capped p范数其中表示截断参数，θi表示矩阵的第i个奇异值，p表示幂指数，p∈(0，1]；S3，求解下式的最优化问题，直至收敛，输出补全的数据矩阵s.t.EΩ＝XΩ‑DΩ,X＝W，其中，W为等价变量，γ为惩罚参数。通过本发明的方法进行矩阵补全，使得数据矩阵是低秩的，而且可以保证主要信息不损失，数据恢复精度高，即本发明对于具有低秩性质的不完备矩阵有很好的恢复效果。
-
公开(公告)号：CN109658362A
公开(公告)日：2019-04-19
申请号：CN201811648489.8
申请日：2018-12-30
Applicant: 东北大学秦皇岛分校
IPC: G06T5/00 , H04N21/234 , H04N21/44
Abstract: 本发明公开了基于Capped核范数的三维张量补全方法，包括以下步骤：S1，将输入的原始不完整的数据设置为三维张量的形式X；S2，定义张量X在三维层面上的capped核范数||X||θ：其中，θ为capped参数，σi(X)为张量奇异值，||X||*为张量的核范数；S3，最小化所述的capped核范数，直至X收敛；输出被还原张量。本发明通过三维张量的秩而补全张量中丢失的数据，具体通过定义张量在三维层面上的capped核范数，对该capped核范数迭代求解从而最小化，以此获得低秩张量，实现了快速、精准的对三维张量进行补全。
-
公开(公告)号：CN120032203A
公开(公告)日：2025-05-23
申请号：CN202510102247.2
申请日：2025-01-22
Applicant: 东北大学秦皇岛分校
IPC: G06V10/774 , G06V10/762 , G06V10/46 , G06V10/94 , G06V10/82
Abstract: 本发明提供一种基于可训练原型的联邦域泛化方法，涉及联邦域泛化方法技术领域。该方法设计一种可训练原型模块，结合自适应边距增强对比学习与原型多样性学习技术，优化可训练原型模块的参数；在对比学习过程中，引入动态边距值，计算并对比可训练原型与聚类原型集合中同类和不同类原型的欧几里得距离，有效增强类间分离性并保持语义一致性。同时，通过计算同类可训练全局原型之间的余弦相似度平方和，量化原型多样性损失，提升类内特征的多样性，使得同一类别的可训练全局原型能够涵盖更丰富的特征信息。这一方法增强联邦学习模型对不同数据分布和复杂变化的泛化能力，弥补了现有联邦学习方法未充分考虑域泛化问题的不足。
-
公开(公告)号：CN109658362B
公开(公告)日：2023-09-05
申请号：CN201811648489.8
申请日：2018-12-30
Applicant: 东北大学秦皇岛分校
IPC: G06T5/00 , H04N21/234 , H04N21/44
Abstract: 本发明公开了基于Capped核范数的数据恢复方法，包括以下步骤：S1，将输入的原始不完整的数据设置为三维张量的形式X；S2，定义张量X在三维层面上的capped核范数||X||θ：其中，θ为capped参数，σi(X)为张量奇异值，||X||*为张量的核范数；S3，最小化所述的capped核范数，直至X收敛；输出被还原张量。本发明通过三维张量的秩而补全张量中丢失的数据，具体通过定义张量在三维层面上的capped核范数，对该capped核范数迭代求解从而最小化，以此获得低秩张量，实现了快速、精准的对三维张量进行补全。
-
Patent Agency Ranking
公开(公告)号：CN112036082B
公开(公告)日：2022-03-08
申请号：CN202010875958.0
申请日：2020-08-27
Applicant: 东北大学秦皇岛分校
Abstract: 本发明提供一种基于注意力机制的时间序列数据预测方法，涉及数据预测技术领域。本发明考虑随时间推移过程所带来的固有不确定性，并量化为时变变量。针对时序数据建立预测模型，更新参数时添加注意力分布对权值进行打分，有效提高预测准确性。通过判断预测值是否达到故障阈值来判断机械是否能够正常运行，若预测数据超过故障阈值，则机械可能出现故障，需进行维修保养，若小于故障阈值，则机械能够正常运行。与现有技术相比，本发明通过添加注意力分布，可以更准确地预测未来数据。提前提供故障警告并改进维修计划，从而降低了意外维修的成本，提高了机器的可靠性、可用性和安全性。
-
公开(公告)号：CN112036082A
公开(公告)日：2020-12-04
申请号：CN202010875958.0
申请日：2020-08-27
Applicant: 东北大学秦皇岛分校
Abstract: 本发明提供一种基于注意力机制的时间序列数据预测方法，涉及数据预测技术领域。本发明考虑随时间推移过程所带来的固有不确定性，并量化为时变变量。针对时序数据建立预测模型，更新参数时添加注意力分布对权值进行打分，有效提高预测准确性。通过判断预测值是否达到故障阈值来判断机械是否能够正常运行，若预测数据超过故障阈值，则机械可能出现故障，需进行维修保养，若小于故障阈值，则机械能够正常运行。与现有技术相比，本发明通过添加注意力分布，可以更准确地预测未来数据。提前提供故障警告并改进维修计划，从而降低了意外维修的成本，提高了机器的可靠性、可用性和安全性。
-
公开(公告)号：CN102938698A
公开(公告)日：2013-02-20
申请号：CN201210392212.X
申请日：2012-10-16
Applicant: 东北大学秦皇岛分校
IPC: H04L9/32
Abstract: 本发明涉及一种利用压缩感知理论实现安全数据传输的方法。目前压缩感知理论还未应用于保障数据通信过程中源端与目的端之间数据传输的安全性。本发明源端利用随机投影矩阵和随机向量加密，而目的端利用随机投影矩阵的左零矩阵的子矩阵进行解密，从而可以重构出需要传递的数据。利用信息论中的互信息属性可以证明，本发明中涉及到的数据传输方法具有完善保密性，即该方法对于唯密文攻击是安全的。该方法既适用于单点对单点通信的场合，也适用于多点对单点通信以及多点对多点通信的场合。尤其是当数据源端与目的端的计算能力不对称时（如物联网、无线传感器网络等应用领域），本方法将具有更大的优势。
-
公开(公告)号：CN110233624A
公开(公告)日：2019-09-13
申请号：CN201910521663.0
申请日：2019-06-17
Applicant: 东北大学秦皇岛分校
Abstract: 本发明公开了一种基于分布式压缩感知的数据重构方法，包括以下步骤：S1，将收集到的数据yi发送给计算节点，其中，yi＝Aixi，xi为重构的数据，yi表示收集到的数据，其维度为m；Ai为各计算节点的测量矩阵；S2，将重构的数据xi分为公共部分zc,i和独立部分zi两部分，并迭代重构压缩数据；其中，公共部分zc,i进行迭代时，添加二次项 S3，输出被还原数据。本发明可以更快速、准确地重构分布式系统中的数据，适用于具有公共分量的分布式网络。
-
公开(公告)号：CN119990259A
公开(公告)日：2025-05-13
申请号：CN202510076505.4
申请日：2025-01-17
Applicant: 东北大学秦皇岛分校
Abstract: 本发明提供一种基于Stein变分梯度下降的贝叶斯联邦学习方法，涉及贝叶斯联邦学习技术领域。该方法在服务器端使用平均似然粒子取代了客户端的局部似然粒子，服务器端只需要通过平均似然粒子即可完成对全局后验分布的计算任务，从而在很大程度上缓解了服务器的存储压力，能够允许更多的客户端参与到联邦学习系统中；在服务器端估计平均似然时，上一轮迭代的平均似然可作为对隐式获得的客户端局部似然的正则化项，一方面能够隐式地消除未被调度的客户端过时的局部似然的影响，另一方面，这也能够平衡由于联邦学习系统的非独立同分布特性所导致的已调度客户端局部似然的不一致性。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.031 seconds)
