-
公开(公告)号：CN115712852A
公开(公告)日：2023-02-24
申请号：CN202211446503.2
申请日：2022-11-18
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种神经网络分类模型的训练方法，模型包括提取样本特征的特征提取器和根据样本特征对样本分类的分类器，该方法包括按以下方式对基于源域的样本及标签训练得到的初始的模型进行一轮或多轮训练：S1、获取训练集，包括源域的样本对和目标域的样本对，任意样本对包括两个样本，每个样本为对人员采集的传感器数据，两个样本所对应的人员和被采集时该人员的行为类别相同；S2、利用训练集对当前的模型进行一次或多次训练，每次训练时基于预定的损失函数更新模型的参数，该损失函数被配置为：惩罚源域的样本的分类偏差、惩罚源域和目标域的样本的样本特征间的边缘分布差异和条件分布差异以及惩罚每个样本对中两个样本对应的时序分布差异。
-
公开(公告)号：CN113128701A
公开(公告)日：2021-07-16
申请号：CN202110371288.3
申请日：2021-04-07
Applicant: 中国科学院计算技术研究所
IPC: G06N20/00
Abstract: 本申请提供了面向样本稀疏性的联邦学习方法及系统，包括由各个边缘设备在基于本地数据对全局模型训练后将得到的模型参数以及训练用的特征向量上传至云端服务器；由云端服务器将从各边缘设备收到的特征向量形成多模态特征联合表示并对来自各个边缘设备的模型参数进行聚合；由云端服务器利用多模态特征联合表示对经聚合后的全局模型进行训练并将训练后的模型参数和多模态特征联合表示下发至各个边缘设备；以及由每个边缘设备对从云端服务器收到的全局模型进行迁移学习以得到相应的本地模型。该方案有效联合多个不同模态数据的参与方进行模型的协同训练，在兼顾用户隐私的同时改善了模型精度。
-
公开(公告)号：CN112908466A
公开(公告)日：2021-06-04
申请号：CN202110041814.X
申请日：2021-01-13
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种基于迁移学习的阿尔兹海默病智能决策支持方法和系统，包括通过拍照设备设备，采集患者眼底图像数据，同时利用辅助设备采集患者辅助生理数据，并进行补齐、归一化、滤波等预处理；对图片数据提取图像特征，对辅助序列数据，提取特征，并对不同传感器特征数据进行归一化与拼接；在传播方案获取与标签传播阶段，通过广义条件梯度下降算法对针对融合距离的目标函数进行优化，通过IBP算法获取梯度方向，通过线搜索获取步长，依次迭代直至收敛，根据获取的传播方案，将源域中已有的标定通过传播方案扩散至目标域未标定样本。从而获得更准确的目标域数据标定。
-
公开(公告)号：CN111190487A
公开(公告)日：2020-05-22
申请号：CN201911391335.X
申请日：2019-12-30
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种建立数据分析模型的方法，包括基于当前的用户数据，在服务器端采用深度神经网络学习和预训练初始云模型，并将初始云模型下发给不同的用户；用户根据自身数据特性，基于接收到的云模型构建其自身用户模型同时采用深度神经网络学习和训练，并将训练后的用户模型回传给服务器；服务器将接收到的用户模型基于预设的周期进行融合，得到新的云模型；用户基于接收到的新的云模型，调整其自身用户模型同时采用深度神经网络学习和训练，并将训练后的用户模型回传给服务器。基于本发明方法构建的模型框架可以通过结合联邦学习和同态加密技术，可以解决数据孤岛和个性化的问题，通过汇总来自不同组织机构的数据，构建强大的机器学习模型，同时还能保护用户的隐私。
-
公开(公告)号：CN118537637A
公开(公告)日：2024-08-23
申请号：CN202410609169.0
申请日：2024-05-16
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/44 , G06N3/045 , G06N3/08
Abstract: 本发明提供了一种图像分类模型训练方法，其包括：步骤S1、数据获取步骤：获取多个图像数据集，每个图像数据集与其他图像数据集属于不同的领域，每个图像数据集中包括多个不同类别的图像样本及其对应的类别标签和域标签，其中，类别标签指示图像样本对应的类别，域标签指示图像样本所属的图像数据集，且每个图像数据集拥有相同的类别标签集合；步骤S2、模型训练步骤：步骤S21、构建初始图像分类模型，其包括共享特征提取器、一个一类分支网络和多个二类分支网络；步骤S22、采用所述多个图像数据集对初始图像分类模型进行多次训练直至模型收敛。本发明提出的训练方法使模型具备了提取跨域不变特征和域正交不变特征的能力，使模型提高了分类准确率。
-
Patent Agency Ranking
公开(公告)号：CN112861879B
公开(公告)日：2022-11-01
申请号：CN202110203086.8
申请日：2021-02-23
Applicant: 中国科学院计算技术研究所
IPC: G06V10/44 , G06V10/774 , G06V10/764 , G06V10/77 , G06N20/00
Abstract: 本发明提出一种基于双重迁移的认知障碍辅助决策支持方法和系统，包括本发明提出的方法将样本损失加权选择与特征适配相融合，从双重层面进行迁移，通过对源域样本损失加权，增强与目标域知识关联度高的源域样本作用，同时削弱无关样本的作用；同时，通过对源域与目标域特征空间的适配，拉近领域间分布差异。最终构建在目标域上性能良好的分类模型，判断有无认知障碍。
-
公开(公告)号：CN114821789A
公开(公告)日：2022-07-29
申请号：CN202210459777.9
申请日：2022-04-24
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种基于特征自适应融合领域泛化的行为识别方法和系统，具体来说所提的算法包括领域特定表示学习模块和领域不变表示学习模块，通过领域特定特征的学习，抽取每个源域特定的特性，使得具有更多样的特征表示；通过领域不变表示学习模块学习领域无关的特征，抽取所有领域共有的、不变特点，提高泛化性能。将两部分特征自适应融合，使得能够训练泛化性能良好的模型，从而在未知的目标域上实现良好的分类性能，完成目标域的人类行为识别任务。
-
公开(公告)号：CN112861879A
公开(公告)日：2021-05-28
申请号：CN202110203086.8
申请日：2021-02-23
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种基于双重迁移的认知障碍辅助决策支持方法和系统，包括本发明提出的方法将样本损失加权选择与特征适配相融合，从双重层面进行迁移，通过对源域样本损失加权，增强与目标域知识关联度高的源域样本作用，同时削弱无关样本的作用；同时，通过对源域与目标域特征空间的适配，拉近领域间分布差异。最终构建在目标域上性能良好的分类模型，判断有无认知障碍。
-
公开(公告)号：CN115456201A
公开(公告)日：2022-12-09
申请号：CN202211188985.6
申请日：2022-09-28
Applicant: 中国科学院计算技术研究所
IPC: G06N20/00 , G06F21/62 , G06T7/00 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种面向联邦的联邦的模型训练方法，用于多个子联邦的子联邦模型训练，其中，每个子联邦是由同一组织的多个客户端构成的联邦，该方法包括：S1、在每个子联邦利用该子联邦的训练集在本地初始化训练其子联邦模型，其中，不同子联邦对应的子联邦模型的分类空间相同；S2、按照预定的传递顺序将前一个子联邦的子联邦模型传递给相邻的下一个子联邦，分别进行多轮联邦训练，得到含有公共知识的子联邦模型；S3、将含有公共知识的子联邦模型传递给每一个子联邦作为最终的教师模型，每个子联邦分别利用最终的教师模型的知识和本地的训练集训练其子联邦模型以得到每个子联邦最终的子联邦模型。
-
公开(公告)号：CN112908466B
公开(公告)日：2023-08-04
申请号：CN202110041814.X
申请日：2021-01-13
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种基于迁移学习的阿尔兹海默病智能决策支持方法和系统，包括通过拍照设备设备，采集患者眼底图像数据，同时利用辅助设备采集患者辅助生理数据，并进行补齐、归一化、滤波等预处理；对图片数据提取图像特征，对辅助序列数据，提取特征，并对不同传感器特征数据进行归一化与拼接；在传播方案获取与标签传播阶段，通过广义条件梯度下降算法对针对融合距离的目标函数进行优化，通过IBP算法获取梯度方向，通过线搜索获取步长，依次迭代直至收敛，根据获取的传播方案，将源域中已有的标定通过传播方案扩散至目标域未标定样本。从而获得更准确的目标域数据标定。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.046 seconds)
