-
公开(公告)号：CN114553394A
公开(公告)日：2022-05-27
申请号：CN202210424254.0
申请日：2022-04-22
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 暨南大学
Abstract: 本发明公开了基于多密钥全同态方案的补码运算器及运算方法，运算器包括多密钥全同态加法运算器、多密钥全同态减法运算器、多密钥全同态乘法运算器和多密钥全同态除法运算器；所述多密钥全同态加法器由多密钥全同态0‑类加法器构成；所述多密钥全同态减法器由多密钥全同态0‑类加法器与多密钥全同态取非器构成；所述多密钥全同态乘法器由多密钥全同态0‑类加法器、多密钥全同态1‑类加法器、多密钥全同态2‑类加法器和多密钥全同态与门构成；所述多密钥全同态除法器由多密钥全同态取补器、多密钥全同态CAS单元与多密钥全同态异或门构成。本发明构造了任意位的补码整数四则运算器，能够支持任意位的正负整数之间的四则运算，大大提高了MKTFHE方案的实用性。
-
公开(公告)号：CN114553394B
公开(公告)日：2022-08-16
申请号：CN202210424254.0
申请日：2022-04-22
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 暨南大学
Abstract: 本发明公开了基于多密钥全同态方案的补码运算器及运算方法，运算器包括多密钥全同态加法运算器、多密钥全同态减法运算器、多密钥全同态乘法运算器和多密钥全同态除法运算器；所述多密钥全同态加法器由多密钥全同态0‑类加法器构成；所述多密钥全同态减法器由多密钥全同态0‑类加法器与多密钥全同态取非器构成；所述多密钥全同态乘法器由多密钥全同态0‑类加法器、多密钥全同态1‑类加法器、多密钥全同态2‑类加法器和多密钥全同态与门构成；所述多密钥全同态除法器由多密钥全同态取补器、多密钥全同态CAS单元与多密钥全同态异或门构成。本发明构造了任意位的补码整数四则运算器，能够支持任意位的正负整数之间的四则运算，大大提高了MKTFHE方案的实用性。
-
公开(公告)号：CN114844621A
公开(公告)日：2022-08-02
申请号：CN202210365746.7
申请日：2022-04-08
Applicant: 哈尔滨工业大学(深圳) , 暨南大学
Abstract: 本发明公开了一种基于多密钥全同态加密的多用户隐私保护机器学习方法及装置，方法包括：由公共字符串CRS进行多密钥全同态加密算法的初始化、生成安全参数λ及生成公共参数集mkparams；服务器S整合各个数据提供方上传的单密钥密文数据Encski(di)得到多密钥密文数据集Encsk(D)；服务器S在多密钥密文数据集Encsk(D)的基础上将普通机器学习算法中的线性运算替换为全同态加法和全同态乘法，对多密钥密文数据集Encsk(D)进行机器学习建模训练；服务器S将多密钥加密的模型密文Encsk(model)下发给各个数据提供方DPi和解密方DE；解密多密钥模型密文Encsk(model)，从而得到由各个数据提供方DPi的数据D训练得到的模型model＝Decsk(Encsk(model))。本发明在保证较高安全性的同时，以较低通信代价和较少交互次数完成隐私计算任务。
-
公开(公告)号：CN114844621B
公开(公告)日：2023-04-07
申请号：CN202210365746.7
申请日：2022-04-08
Applicant: 哈尔滨工业大学(深圳) , 暨南大学
Abstract: 本发明公开了一种基于多密钥全同态加密的多用户隐私保护机器学习方法及装置，方法包括：由公共字符串CRS进行多密钥全同态加密算法的初始化、生成安全参数λ及生成公共参数集mkparams；服务器S整合各个数据提供方上传的单密钥密文数据Encski(di)得到多密钥密文数据集Encsk(D)；服务器S在多密钥密文数据集Encsk(D)的基础上将普通机器学习算法中的线性运算替换为全同态加法和全同态乘法，对多密钥密文数据集Encsk(D)进行机器学习建模训练；服务器S将多密钥加密的模型密文Encsk(model)下发给各个数据提供方DPi和解密方DE；解密多密钥模型密文Encsk(model)，从而得到由各个数据提供方DPi的数据D训练得到的模型model＝Decsk(Encsk(model))。本发明在保证较高安全性的同时，以较低通信代价和较少交互次数完成隐私计算任务。
-
公开(公告)号：CN119129640A
公开(公告)日：2024-12-13
申请号：CN202411056914.X
申请日：2024-08-02
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06N3/008 , G06N3/0455 , G06N3/092
Abstract: 本发明公开了一种基于置换偏置与对比解码的智能体动作预测方法，所述方法包括：构建策略生成模型，包括Encoder模块和Decoder模块，获取局部观测向量和动作序列，将局部观测向量输入Encoder模块进行处理，得到智能体的观测表示，并将观测表示传递给Decoder模块，根据观测表示得到观测的智能体状态值函数；将动作序列输入到Decoder模块与观测表示一起进行解码，得到隐向量，将隐向量进行变换得到具有动作置换性的智能体动作集合，将具有动作置换性的智能体动作集合进行对比探索解码，得到执行动作，根据智能体状态值函数和执行动作计算总损失函数，得到目标模型，使用目标模型预测目标智能体的行为。本发明提高了对于目标智能体动作的预测精度。
-
Patent Agency Ranking
公开(公告)号：CN118982063A
公开(公告)日：2024-11-19
申请号：CN202411456528.X
申请日：2024-10-18
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06N3/098 , G06F18/214 , G06F18/2431
Abstract: 本申请公开了基于联邦学习的模型训练方法、系统及相关设备，涉及计算机技术领域，方法包括：向客户端下发待训练的全局模型，触发各客户端进行模型更新获得前一轮次训练完成后的客户端本地模型，并基于客户端本地数据对客户端本地模型进行模型训练后获得客户端本地训练模型；获取客户端的第一贡献度计算指标值；根据第一贡献函数、共享数据集和客户端的前一轮次训练完成后的客户端本地模型确定第一指标系数；从而确定各客户端的第一贡献度值，并根据第一贡献度值确定目标客户端；根据目标客户端对应的当前轮次的客户端本地训练模型获得当前轮次训练完成后的全局模型。本申请方案有利于提高模型训练的准确性。
-
公开(公告)号：CN118967975A
公开(公告)日：2024-11-15
申请号：CN202411065082.8
申请日：2024-08-05
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06T17/20 , G06V10/774 , G06N3/042 , G06N3/08
Abstract: 本发明涉及点云网格处理技术领域。本发明公开了一种在点云上生成多边形网格的方法、系统、设备及存储介质，其能够提高生成网格形状的灵活性和普适性。所述在点云上生成多边形网格的方法包括获取目标产品的点集，所述点集包含多个顶点；将所述点集输入网格生成算法，根据所述网格生成算法对所述点集中的每一个顶点生成对应的第一边集，并根据所有第一边集构成的第一面集生成第一待成形网格，其中，所述每个顶点对应的第一边集的长度，会根据与这个顶点相关联的其他顶点的数量而变化；基于所述第一待成形网格得到多边形网格，所述多边形网格用于呈现三维形状结构。
-
公开(公告)号：CN118966387A
公开(公告)日：2024-11-15
申请号：CN202411463649.7
申请日：2024-10-21
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06N20/00 , G06F18/10 , G06V10/82 , G06N3/0985 , G06N3/0455
Abstract: 本发明公开了一种基于多模态的对比解码幻觉减轻方法、装置及终端，方法包括：获取目标初始数据，对所述目标初始数据进行多模态扰动处理，得到目标扰动数据，所述目标初始数据包括目标高清图像及其对应的目标文本提示词；将所述目标初始数据和所述目标扰动数据输入至目标模型，得到初始输出和幻觉输出，所述目标模型为大型视觉语言模型；对所述初始输出和所述幻觉输出进行对比解码，得到目标输出。本发明通过添加多模态的噪声，并将其与初始输出进行对比，从而校准模型的预测，减少生产错误信息的可能性。
-
公开(公告)号：CN118246556B
公开(公告)日：2024-11-12
申请号：CN202410668413.0
申请日：2024-05-28
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06N5/04 , G06N3/0455 , G06N3/0499 , G06N3/092 , G06F16/35 , G06F8/41
Abstract: 本发明公开了一种基于强化学习的类型推断方法及装置，包括：获取运行环境数据和代码数据，并对所述运行环境数据和所述代码数据进行预处理，得到合法类型序列及类型流序列；根据所述合法类型序列及所述类型流序列，进行带类型标注的代码生成任务的监督训练；根据生成的带类型标注的目标代码，进行静态反馈的强化学习训练，得到强化后的代码生成模型。本发明提出了使用基于生成的方法来预测类型，并通过强化学习来增强生成模型的类型预测的准确性，解决了现有的类型推断模型的预测结果与实际应用偏差较大的问题。
-
公开(公告)号：CN117743869A
公开(公告)日：2024-03-22
申请号：CN202410179740.X
申请日：2024-02-18
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06F18/22 , G06F18/213 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种内容发现方法、系统、终端及存储介质，其中，所述方法包括：获取目标品牌信息和目标用户内容生成信息；将视频内容信息输入到视频编码模型中得到视频特征向量，将文本内容信息输入到文本编码模型中得到文本特征向量，将目标品牌信息输入到品牌编码模型中得到品牌语义；采用预先训练完成的得分函数生成目标用户内容生成信息与目标品牌信息的相似度；获取相似度，根据预设的选取阈值从所有的目标用户内容生成信息中选取目标内容信息。本发明通过所述方法，解决了采用单模态的内容发现方法时存在着由于仅利用了图像资料而忽略了文本、话题标签等多模态信息或只利用神经网络提取图像特征而无法利用视频中语义信息的问题。
-
-
-
-
-
-
-
-
-
Search Results
133
records
(took 0.051 seconds)
