-
公开(公告)号：CN117250871A
公开(公告)日：2023-12-19
申请号：CN202311540413.4
申请日：2023-11-20
IPC: G05B13/04
Abstract: 本发明公开一种基于去中心化联邦学习的人机协作安全性评估方法和装置，包括：步骤S1、获取工业物联网环境中的雷达数据；步骤S2、根据雷达数据训练本地模型；步骤S3、各参与方通过对等网络与其邻居交换本地模型参数并聚合；步骤S4、基于聚合的本地模型构造扰动模型并通过协同策略对其优化；步骤S5、选择不同的协同策略优化扰动模型并进行人机协作安全性评估，以保障人机协作应用场景的安全性和可靠性。本发明技术方案，采用动态自适应的扰动模型构造机制和基于协同的扰动模型优化策略，从共识模型的收敛速度、准确性及多轮训练过程的稳定性等方面，完成对工业物联网场景中去中心化联邦学习鲁棒性的综合评估。
-
公开(公告)号：CN119988725A
公开(公告)日：2025-05-13
申请号：CN202510054729.5
申请日：2025-01-14
IPC: G06F16/9535 , G06F21/62 , G06N3/0455 , G06N3/084
Abstract: 本发明涉及数据隐私保护与公平性增强技术领域，特别是涉及一种基于隐私保护与公平增强的信息推荐方法，包括：获取目标用户的行为数据；将所述行为数据输入预设的大规模推荐模型中，输出对于所述目标用户的推荐结果，其中，所述大规模推荐模型基于用户编码器和项目编码器构建，所述大规模推荐模型基于训练集训练获得，所述训练集包括若干用户和项目，在所述大规模推荐模型的训练过程中采用改进的差分隐私随机梯度下降方法进行模型参数的更新，并在训练过程中引入基于梯度的公平采样机制。本发明可以在保护数据隐私的基础上，解决大规模推荐模型的项目公平性问题，并且加速模型的训练过程，实现了模型效用以及公平之间的有效权衡。
-
-
Patent Agency Ranking
公开(公告)号：CN107729754B
公开(公告)日：2020-04-14
申请号：CN201710871516.7
申请日：2017-09-25
Applicant: 暨南大学
IPC: G06F21/56
Abstract: 本发明公开了一种基于API特征的Android恶意软件检测方法，步骤：构建第一训练样本集和第二训练样本集，提取各训练样本API特征向量；由根据d值挑选出各种API特征构成第一API集合；构建API特征的层次结构模型，生成第二层和第三层对应的第一成对比较矩阵和各API包的第二成对比较矩阵，针对各成对比较矩阵计算权向量；计算第一API集合中各种API特征的权值：根据测试样本API特征向量和第一API集合中各种API特征的权值计算测试样本所调用API特征的权重η；最后将η与判断因子k作比较，根据比较结果判断出测试样本是否为Android恶意软件，大大提高了Android恶意软件的检测准确率。
-
公开(公告)号：CN107832609B
公开(公告)日：2020-11-13
申请号：CN201710871649.4
申请日：2017-09-25
Applicant: 暨南大学
IPC: G06F21/56
Abstract: 本发明公开了一种基于权限特征的Android恶意软件检测方法和系统，步骤：构建第一训练样本集和第二训练样本集，提取各训练样本第一权限特征向量，根据d值挑选出权限特征构造第一权限特征集合，生成第一训练样本集中各训练样本第二权限特征向量，并构建关联系数矩阵；将第一训练样本集中各训练样本关联矩阵求和输入PPR算法，得到第一权限特征集合中每种权限特征的权限值；根据第一权限特征集合生成测试样本权限特征向量，利用第一权限特征集合中每种权限特征的权限值计算出测试样本所申请的权限特征权重η，将η与判断因子进行比较，判断出测试样本是否为Android恶意软件；该方法大大提高了Android恶意软件的检测准确率。
-
公开(公告)号：CN119961529A
公开(公告)日：2025-05-09
申请号：CN202510054695.X
申请日：2025-01-14
IPC: G06F16/9536 , G06F16/9535 , G06N5/04 , G06F18/22
Abstract: 本发明公开了一种针对大语言模型推荐系统场景的双边公平方法，涉及机器学习技术领域，包括：收集用户行为数据与项目数据；对用户行为数据与项目数据进行数据处理，分别生成用户的初步嵌入、项目的初步嵌入以及相似用户嵌入；利用大语言模型生成用户的增强嵌入和项目的增强嵌入；将初步嵌入、与增强嵌入进行融合，获得融合用户嵌入、融合项目嵌入；对融合用户嵌入和融合项目嵌入进行点积运算，获得推荐得分，引入交互次数惩罚因子对推荐得分进行处理，获得加权后的推荐得分；通过双边公平性优化策略对加权后的推荐得分进行处理，生成最终的推荐列表。本方法能够精准识别并调节不公平现象。
-
公开(公告)号：CN107729754A
公开(公告)日：2018-02-23
申请号：CN201710871516.7
申请日：2017-09-25
Applicant: 暨南大学
IPC: G06F21/56
Abstract: 本发明公开了一种基于API特征的Android恶意软件检测方法，步骤：构建第一训练样本集和第二训练样本集，提取各训练样本API特征向量；由根据d值挑选出各种API特征构成第一API集合；构建API特征的层次结构模型，生成第二层和第三层对应的第一成对比较矩阵和各API包的第二成对比较矩阵，针对各成对比较矩阵计算权向量；计算第一API集合中各种API特征的权值：根据测试样本API特征向量和第一API集合中各种API特征的权值计算测试样本所调用API特征的权重η；最后将η与判断因子k作比较，根据比较结果判断出测试样本是否为Android恶意软件，大大提高了Android恶意软件的检测准确率。
-
公开(公告)号：CN107832609A
公开(公告)日：2018-03-23
申请号：CN201710871649.4
申请日：2017-09-25
Applicant: 暨南大学
IPC: G06F21/56
CPC classification number: G06F21/562 , G06F2221/033
Abstract: 本发明公开了一种基于权限特征的Android恶意软件检测方法和系统，步骤：构建第一训练样本集和第二训练样本集，提取各训练样本第一权限特征向量，根据d值挑选出权限特征构造第一权限特征集合，生成第一训练样本集中各训练样本第二权限特征向量，并构建关联系数矩阵；将第一训练样本集中各训练样本关联矩阵求和输入PPR算法，得到第一权限特征集合中每种权限特征的权限值；根据第一权限特征集合生成测试样本权限特征向量，利用第一权限特征集合中每种权限特征的权限值计算出测试样本所申请的权限特征权重η，将η与判断因子进行比较，判断出测试样本是否为Android恶意软件；该方法大大提高了Android恶意软件的检测准确率。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.023 seconds)
