-
公开(公告)号：CN117370736A
公开(公告)日：2024-01-09
申请号：CN202311674985.1
申请日：2023-12-08
Applicant: 暨南大学
IPC: G06F18/10 , G06N3/0455 , G06N3/0499 , G06N3/08 , G06F18/213 , G06F18/214
Abstract: 本发明公开了一种细粒度情感识别方法、电子设备及存储介质，该方法包括获取影评文本数据并进行数据预处理，确认影评方面词并为其添加情感倾向标签，将标签添加的数据制作为数据集；采用方面词替换算法来对所述数据集进行数据增强，以扩充所述数据集；以BLOOM预训练语言模型作为基础网络，并采用扩充后的数据集来进行训练，得到训练好的细粒度情感分析模型；使用训练好的细粒度情感分析模型,对影评文本进行细粒度情感分析。扩充数据集的数量，令模型在学习中获得丰富的特征，提高下游情感分析任务的准确性。使用BLOOM模型结构并引入预训练模型，模型因经历了大规模预料预训练而蕴含丰富的语义特征，有利于提高情感分析任务的效果。
-
公开(公告)号：CN116975517B
公开(公告)日：2024-01-05
申请号：CN202311218518.8
申请日：2023-09-21
Applicant: 暨南大学
IPC: G06F17/16 , G06F16/174 , G06F17/18 , G06F18/10
Abstract: 本发明公开一种部分加权随机选取策略的稀疏恢复方法及系统，该方法包括以下步骤：S1，以欠定线性系统为目标，模拟生成大规模的稀疏信号和对应的感知矩阵，从稀疏信号中随机选取预设个数的元素保留原始值，并将其他元素的值归零，根据稀疏信号和感知矩阵计算观测信号；S2，采用部分加权随机选取策略代替OMP算法中原始选取索引的贪婪方法，计算得到稀疏信号估计值。本发明的有益效果是：通过采用部分加权随机选取策略减少迭代过程中因计算相关性而导致的大量计算消耗，利用随机方法寻找次优解，同时保证了算法的可靠性，并且能够实现加速压缩感知中稀疏信号恢复算法的目的。(56)对比文件Zhe Wang et.al.Compressed SensingMethod for Health Monitoring of PipelinesBased on Guided Wave Inspection《.IEEETRANSACTIONS ON INSTRUMENTATION ANDMEASUREMENT》.2020,第4722-4732页.
-
公开(公告)号：CN116975517A
公开(公告)日：2023-10-31
申请号：CN202311218518.8
申请日：2023-09-21
Applicant: 暨南大学
IPC: G06F17/16 , G06F16/174 , G06F17/18 , G06F18/10
Abstract: 本发明公开一种部分加权随机选取策略的稀疏恢复方法及系统，该方法包括以下步骤：S1，以欠定线性系统为目标，模拟生成大规模的稀疏信号和对应的感知矩阵，从稀疏信号中随机选取预设个数的元素保留原始值，并将其他元素的值归零，根据稀疏信号和感知矩阵计算观测信号；S2，采用部分加权随机选取策略代替OMP算法中原始选取索引的贪婪方法，计算得到稀疏信号估计值。本发明的有益效果是：通过采用部分加权随机选取策略减少迭代过程中因计算相关性而导致的大量计算消耗，利用随机方法寻找次优解，同时保证了算法的可靠性，并且能够实现加速压缩感知中稀疏信号恢复算法的目的。
-
公开(公告)号：CN117370736B
公开(公告)日：2024-08-13
申请号：CN202311674985.1
申请日：2023-12-08
Applicant: 暨南大学
IPC: G06F18/10 , G06N3/0455 , G06N3/0499 , G06N3/08 , G06F18/213 , G06F18/214
Abstract: 本发明公开了一种细粒度情感识别方法、电子设备及存储介质，该方法包括获取影评文本数据并进行数据预处理，确认影评方面词并为其添加情感倾向标签，将标签添加的数据制作为数据集；采用方面词替换算法来对所述数据集进行数据增强，以扩充所述数据集；以BLOOM预训练语言模型作为基础网络，并采用扩充后的数据集来进行训练，得到训练好的细粒度情感分析模型；使用训练好的细粒度情感分析模型,对影评文本进行细粒度情感分析。扩充数据集的数量，令模型在学习中获得丰富的特征，提高下游情感分析任务的准确性。使用BLOOM模型结构并引入预训练模型，模型因经历了大规模预料预训练而蕴含丰富的语义特征，有利于提高情感分析任务的效果。
-
公开(公告)号：CN115994352B
公开(公告)日：2023-06-02
申请号：CN202310280078.2
申请日：2023-03-22
Applicant: 暨南大学
IPC: G06F21/55 , G06N3/0442 , G06N3/09 , G06F16/35
Abstract: 本发明公开一种防御文本分类模型后门攻击的方法、设备及介质，该方法包括以下步骤：随机选取数据集中的部分样本进行数据投毒，被投毒后的数据集定义为有毒数据集；在BERT网络的输出层后接上全连接层构成文本分类模型；将有毒数据集输入文本分类模型，按照有监督的方式对文本分类模型进行训练，将有毒数据集中训练损失值在预设范围内的样本隔离出来，判定为有毒样本，有毒数据集剩余的样本判定为干净样本；将有毒样本和干净样本输入文本分类模型。本发明的有益效果是：通过隔离出数据集中的小部分有毒样本，然后利用有监督的混沌训练混淆文本分类模型在数据隔离步骤中被植入的后门，实现后门的去除。
-
Patent Agency Ranking
公开(公告)号：CN117153418B
公开(公告)日：2024-03-19
申请号：CN202311421223.0
申请日：2023-10-31
Applicant: 暨南大学
IPC: G16H50/70 , G06N3/094 , G06F18/2413
Abstract: 本发明公开一种抗后门攻击的智能早产儿视网膜病变分类预测方法，包括以下步骤：获取患儿电子病历文书数据，并对患儿电子病历文书进行预处理，得到样本数据；以带有诊断标签的样本数据作为输入，以及以早产儿视网膜病变类别作为输出，建立基于深度学习的分类预测模型；使用字符级别的触发器对分类预测模型注入权重后门攻击，形成被投毒模型，利用LoRA算法微调被投毒模型的权重，并根据被投毒模型输出的置信度识别中毒样本和干净样本，最后结合对抗训练进一步提升分类预测模型的抗攻击性。本发明的有益效果是：从数据层面和模型训练层面多维度的抵御后门攻击，保证分类预测模型的安全性。
-
公开(公告)号：CN116259422A
公开(公告)日：2023-06-13
申请号：CN202310233482.4
申请日：2023-03-13
Applicant: 暨南大学
IPC: G16H70/20 , G16H50/50 , G16H50/70 , G16H50/20 , G16H15/00 , G06F16/35 , G06F16/335 , G06F40/242 , G06F40/216 , G06F40/284 , G06N3/08 , G06N3/0455 , G06N3/0475
Abstract: 本发明公开了一种基于虚拟数据增强的眼科疾病诊疗意见生成方法、系统、介质和设备，该方法的步骤包括：获取医疗文本数据并进行预处理；构建语料库，基于语料库预训练BERT模型；基于BERT模型进行多标签文本分类，输出对应的疾病分类；将医疗文本数据训练集根据不同的疾病种类进行划分，得到训练子集；采用Seq2seq结构构建眼科疾病的诊疗意见生成模型；基于训练子集训练诊疗意见生成模型；构建并训练双塔结构的眼科疾病诊疗意见生成模型；将医疗文本数据输入至训练后的双塔结构的眼科疾病诊疗意见生成模型，输出眼科疾病诊疗意见。本发明能够有效扩增训练样本的特征空间，提升眼科疾病诊疗意见的生成质量。
-
公开(公告)号：CN115994352A
公开(公告)日：2023-04-21
申请号：CN202310280078.2
申请日：2023-03-22
Applicant: 暨南大学
IPC: G06F21/55 , G06N3/0442 , G06N3/09 , G06F16/35
Abstract: 本发明公开一种防御文本分类模型后门攻击的方法、设备及介质，该方法包括以下步骤：随机选取数据集中的部分样本进行数据投毒，被投毒后的数据集定义为有毒数据集；在BERT网络的输出层后接上全连接层构成文本分类模型；将有毒数据集输入文本分类模型，按照有监督的方式对文本分类模型进行训练，将有毒数据集中训练损失值在预设范围内的样本隔离出来，判定为有毒样本，有毒数据集剩余的样本判定为干净样本；将有毒样本和干净样本输入文本分类模型。本发明的有益效果是：通过隔离出数据集中的小部分有毒样本，然后利用有监督的混沌训练混淆文本分类模型在数据隔离步骤中被植入的后门，实现后门的去除。
-
公开(公告)号：CN116259422B
公开(公告)日：2024-02-06
申请号：CN202310233482.4
申请日：2023-03-13
Applicant: 暨南大学
IPC: G16H70/20 , G16H50/50 , G16H50/70 , G16H50/20 , G16H15/00 , G06F16/35 , G06F16/335 , G06F40/242 , G06F40/216 , G06F40/284 , G06N3/08 , G06N3/0455 , G06N3/0475
Abstract: 本发明公开了一种基于虚拟数据增强的眼科疾病诊疗意见生成方法、系统、介质和设备，该方法的步骤包括：获取医疗文本数据并进行预处理；构建语料库，基于语料库预训练BERT模型；基于BERT模型进行多标签文本分类，输出对应的疾病分类；将医疗文本数据训练集根据不同的疾病种类进行划分，得到训练子集；采用Seq2seq结构构建眼科疾病的诊疗意见生成模型；基于训练子集训练诊疗意见生成模型；构建并训练双塔结构的眼科疾病诊疗意见生成模型；将医疗文本数据输入至训练后的双塔结构的眼科疾病诊疗意见生成模型，输出眼科疾病诊疗意见。本发明能够(56)对比文件CN 115392259 A,2022.11.25CN 114530223 A,2022.05.24CN 112608925 A,2021.04.06CN 112164446 A,2021.01.01CN 113257410 A,2021.08.13CN 112185564 A,2021.01.05康莉.基于知识图谱的心血管病问答系统的研究与实现《.中国优秀硕士学位论文全文数据库医药卫生科技辑》.2021,(第02期),第E062-22页.汪晨等.基于深度学习和遥感影像的松材线虫病疫松树目标检测《.南京师大学报》.2021,第44卷(第03期),第84-89页.
-
公开(公告)号：CN117153418A
公开(公告)日：2023-12-01
申请号：CN202311421223.0
申请日：2023-10-31
Applicant: 暨南大学
IPC: G16H50/70 , G06N3/094 , G06F18/2413
Abstract: 本发明公开一种抗后门攻击的智能早产儿视网膜病变分类预测方法，包括以下步骤：获取患儿电子病历文书数据，并对患儿电子病历文书进行预处理，得到样本数据；以带有诊断标签的样本数据作为输入，以及以早产儿视网膜病变类别作为输出，建立基于深度学习的分类预测模型；使用字符级别的触发器对分类预测模型注入权重后门攻击，形成被投毒模型，利用LoRA算法微调被投毒模型的权重，并根据被投毒模型输出的置信度识别中毒样本和干净样本，最后结合对抗训练进一步提升分类预测模型的抗攻击性。本发明的有益效果是：从数据层面和模型训练层面多维度的抵御后门攻击，保证分类预测模型的安全性。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.022 seconds)
