-
公开(公告)号：CN116127351A
公开(公告)日：2023-05-16
申请号：CN202211606757.6
申请日：2022-12-13
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) , 东莞理工学院 , 平安科技(深圳)有限公司
IPC: G06F18/24 , H04L67/01 , G06F18/214 , G06N3/098
Abstract: 本发明公开了一种面向双不均衡的联邦学习方法和系统，客户端接收服务器发送的服务器模型参数，并载入本地模型；根据当前样本类别的样本数量占当前客户端样本总数量的比值确定当前样本类别对应的权重因子；利用权重因子计算本地模型识别当前样本类别产生的损失值；利用损失值计算关于当前样本类别的参数变化量，并基于参数变化量对服务器模型参数中关于当前样本类别的模型参数进行更新，直至当前客户端内所有样本类别相关的模型参数均完成更新，得到客户端模型参数；将客户端模型参数发送至服务器，以使服务器通过引力正则项对各个客户端发送的客户端模型参数进行聚合。本发明提供的技术方案，解决了联邦学习的双重不均衡场景模型训练较差的问题。
-
公开(公告)号：CN114756694B
公开(公告)日：2022-10-14
申请号：CN202210677070.5
申请日：2022-06-16
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) , 平安科技(深圳)有限公司
Abstract: 本发明提供的一种基于知识图谱的推荐系统、推荐方法和相关设备，系统包括：用户历史信息嵌入模块根据用户的历史交互行为生成用户表征；知识感知嵌入模块利用知识感知的注意力机制，为用户和物品生成知识加权表征；动态信息共享模块基于神经网络，根据用户物品交互的二部图以及物品侧的知识图谱得到用户/物品热门种子，计算每个用户/物品与用户/物品热门种子的相似度，根据相似度共享用户/物品热门种子的动态表征；将知识加权表征和所述动态表征进行聚合，得到每个用户和物品的最终表征并进行点积获得最后的预测值。本发明将各用户/物品与其相似的热门用户/物品进行动态的信息共享，缓解了用户侧和物品侧的冷启动问题。
-
公开(公告)号：CN114756694A
公开(公告)日：2022-07-15
申请号：CN202210677070.5
申请日：2022-06-16
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) , 平安科技(深圳)有限公司
Abstract: 本发明提供的一种基于知识图谱的推荐系统、推荐方法和相关设备，系统包括：用户历史信息嵌入模块根据用户的历史交互行为生成用户表征；知识感知嵌入模块利用知识感知的注意力机制，为用户和物品生成知识加权表征；动态信息共享模块基于神经网络，根据用户物品交互的二部图以及物品侧的知识图谱得到用户/物品热门种子，计算每个用户/物品与用户/物品热门种子的相似度，根据相似度共享用户/物品热门种子的动态表征；将知识加权表征和所述动态表征进行聚合，得到每个用户和物品的最终表征并进行点积获得最后的预测值。本发明将各用户/物品与其相似的热门用户/物品进行动态的信息共享，缓解了用户侧和物品侧的冷启动问题。
-
公开(公告)号：CN114492387B
公开(公告)日：2022-07-19
申请号：CN202210401179.6
申请日：2022-04-18
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: G06F40/211 , G06F40/284 , G06F40/237 , G06N20/00
Abstract: 本发明公开一种基于句法结构的领域自适应方面术语抽取方法及系统，包括将源领域和目标领域中词的词性和句法依赖关系作为句法结构信息；计算源领域方面术语的平均词性特征和平均句法依赖关系特征并作为方面术语的平均句法结构特征；根据句法结构信息计算源领域和目标领域中每个词和平均句法结构特征的相似度；对基于Transformer的预训练模型进行基于句法结构相似度的再预训练；基于掩码语言模型MLM构建方面术语抽取模型并进行训练，训练过程中对术语抽取模型的交叉熵损失函数进行加权。本发明能学习到词语级领域不变表征，在细粒度的文本抽取任务中能取得不错的成效。
-
公开(公告)号：CN114492387A
公开(公告)日：2022-05-13
申请号：CN202210401179.6
申请日：2022-04-18
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: G06F40/211 , G06F40/284 , G06F40/237 , G06N20/00
Abstract: 本发明公开一种基于句法结构的领域自适应方面术语抽取方法及系统，包括将源领域和目标领域中词的词性和句法依赖关系作为句法结构信息；计算源领域方面术语的平均词性特征和平均句法依赖关系特征并作为方面术语的平均句法结构特征；根据句法结构信息计算源领域和目标领域中每个词和平均句法结构特征的相似度；对基于Transformer的预训练模型进行基于句法结构相似度的再预训练；基于掩码语言模型MLM构建方面术语抽取模型并进行训练，训练过程中对术语抽取模型的交叉熵损失函数进行加权。本发明能学习到词语级领域不变表征，在细粒度的文本抽取任务中能取得不错的成效。
-
Patent Agency Ranking
公开(公告)号：CN115357909B
公开(公告)日：2023-05-16
申请号：CN202211279030.1
申请日：2022-10-19
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: G06F21/57 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/09
Abstract: 本发明提供了一种用于代码漏洞检测的全局信息感知图神经网络系统，包括关系代码表示模块和全局信息感知模块；关系代码表示模块在图卷积神经网络信息聚合过程中添加边类型信息，用边类型信息丰富节点特征表示，并使用注意力机制增强节点特征；全局信息感知模块在图卷积神经网络中使用大核卷积和小核卷积分别提取代码属性图中的全局特征和局部特征，学习更抽象高级的图表征用于代码漏洞分类。本发明的有益效果是：本发明能缓解传统图神经网络难以有效捕获大图图表征的缺陷，有效地学习代码量大的函数的代码属性图的向量表示并提升漏洞检测的准确率和F1指标。
-
公开(公告)号：CN115357909A
公开(公告)日：2022-11-18
申请号：CN202211279030.1
申请日：2022-10-19
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)
Abstract: 本发明提供了一种用于代码漏洞检测的全局信息感知图神经网络系统，包括关系代码表示模块和全局信息感知模块；关系代码表示模块在图卷积神经网络信息聚合过程中添加边类型信息，用边类型信息丰富节点特征表示，并使用注意力机制增强节点特征；全局信息感知模块在图卷积神经网络中使用大核卷积和小核卷积分别提取代码属性图中的全局特征和局部特征，学习更抽象高级的图表征用于代码漏洞分类。本发明的有益效果是：本发明能缓解传统图神经网络难以有效捕获大图图表征的缺陷，有效地学习代码量大的函数的代码属性图的向量表示并提升漏洞检测的准确率和F1指标。
-
公开(公告)号：CN115330398A
公开(公告)日：2022-11-11
申请号：CN202211264844.8
申请日：2022-10-17
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)
Abstract: 本发明公开了一种基于强化学习的量化模型训练方法、系统、终端及介质，能够根据交易环境数据动态生成交易策略和交易策略的价值数据从而扩展并更新蒙特卡洛树，再根据蒙特卡洛树搜索路径评估量化目标的完成情况，将评估结果作为奖励值反向更新训练量化模型，训练后的量化模型能够根据交易环境数据动态生成交易策略。与现有技术相比，不用人为设定奖励值，而是通过蒙特卡洛树来自动生成奖励值以更新量化模型，使得量化模型优化效果好、鲁棒性高。
-
公开(公告)号：CN114549859B
公开(公告)日：2025-04-08
申请号：CN202210165029.X
申请日：2022-02-22
Applicant: 平安科技(深圳)有限公司
IPC: G06V10/46 , G06V10/26 , G06V10/30 , G06V10/32 , G06V10/82 , G06T7/00 , G06N3/045 , G06N3/0464 , G06T7/194
Abstract: 本申请提供了一种骨龄预测方法、装置、电子设备及存储介质，属于人工智能技术领域。该方法包括：获取目标骨骼图像；通过第一关键点检测模型对目标骨骼图像进行关键点检测，得到第一目标骨骼关键点；根据第一目标骨骼关键点对目标骨骼图像进行第一姿态矫正处理，得到标准骨骼图像；通过图像分割模型对标准骨骼图像进行分割处理，得到初步骨骼前景图；通过第二关键点检测模型对标准骨骼图像进行关键点检测，得到第二目标骨骼关键点；根据第二目标骨骼关键点对初步骨骼前景图进行第二姿态矫正处理，得到标准骨骼前景图；将标准骨骼前景图输入至骨龄预测模型进行骨龄预测，得到骨龄预测数据。本申请能够提高骨龄预测的准确性。
-
公开(公告)号：CN112906827B
公开(公告)日：2025-04-01
申请号：CN202110377534.6
申请日：2021-04-08
Applicant: 平安科技(深圳)有限公司
Abstract: 本发明涉及智能决策技术领域，揭露了一种基于深度学习的医疗影像识别方法，包括：获取目标用户的至少两张序列影像；将至少两张序列影像划分为主序列影像与辅序列影像；对至少两张序列影像进行分组，得到至少两组序列影像集；将至少两组序列影像集分别输入至基于深度学习的网络模型进行识别处理，得到各组序列影像集对应的识别结果；将各组序列影像集对应的识别结果进行汇总融合处理，得到目标用户的医疗影像识别结果。本发明还涉及区块链技术，医疗影像集可存储于区块链节点中。本发明还提出了一种基于深度学习的医疗影像识别装置、设备及计算机可读存储介质。本发明可以提高医疗影像识别的准确率。
-
-
-
-
-
-
-
-
-
Search Results
1610
records
(took 0.125 seconds)
