-
公开(公告)号：CN119622822A
公开(公告)日：2025-03-14
申请号：CN202510161837.2
申请日：2025-02-14
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: 本发明提供了一种隐私增强的关系型表格数据仿真生成方法，挖掘链接表L与具有外键关联的单表U、V中高度相关的属性，并将属性与链接表L进行合并，得到k个属性对相应的U、V表中的属性；根据链接表L的外键对应关系，将得到的属性与链接表L进行拼接，得到合并表#imgabs0#，根据链接表L的属性，将合并表#imgabs1#按列切分，得到仿真生成的链接表#imgabs2#；根据链接表#imgabs3#的合成结果，使用马尔科夫随机场模型仿真生成表#imgabs4#；根据链接表#imgabs5#的合成结果，使用马尔科夫随机场模型仿真生成表#imgabs6#。在仿真数据生成时提高仿真数据的效用，确保仿真数据在保护隐私的同时仍能保持其真实性和有效性。
-
公开(公告)号：CN118709576A
公开(公告)日：2024-09-27
申请号：CN202411196401.9
申请日：2024-08-29
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: G06F30/27 , G06F18/213 , G06F18/214 , G06N5/04
Abstract: 本发明提供了一种基于自动驾驶虚拟仿真的事故场景生成方法及系统，随机生成自动驾驶种子场景；选择探索策略阶段，探索队列取出自动驾驶种子场景作为待测试场景；选择利用策略阶段，利用队列取出历史测试中具有最高发生事故危险概率的场景，生成变异场景作为待测试场景；使用自动驾驶模拟器和自动驾驶系统软件进行联合仿真测试，发生交通事故，则进行事故场景归档；没有发生事故，对自动驾驶场景执行过程当中的场景特征进行选择提取；对提取的场景特征进行模型推理，预测本场景可能发生事故的风险概率。可以在较短的测试轮数情况下，完成高效地事故场景生成，也依然能够保持测试场景的多样性。
-
公开(公告)号：CN115600765A
公开(公告)日：2023-01-13
申请号：CN202211464011.6
申请日：2022-11-17
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)(CN)
IPC: G06Q10/04 , G06Q50/18 , G06F16/215 , G06F16/29 , G06N3/0464 , G06N3/08 , G01S19/42
Abstract: 基于图神经网络的安全事件预测方法、电子设备及存储介质，属于安全事件风险预测技术领域。为解决个体人员安全事件风险预测的问题。本发明采集人员基本信息数据，GPS时空轨迹数据，进行数据清洗，提取融合图节点特征，得到人员节点特征数据，地点节点特征数据，构建多维人员信息轨迹融合图，构建基于图神经网络的个体安全事件预测模型，将构建的多维人员信息轨迹融合图输入基于图神经网络的个体安全事件预测模型中进行安全事件预测。本发明为分析个体人员安全事件风险提供了融合信息特征，全面立体的挖掘人员自身的特点以及人员活动规律的特点，判断人员近期可能发生安全事件行为的风险是高或者低。
-
公开(公告)号：CN115455488A
公开(公告)日：2022-12-09
申请号：CN202211420158.5
申请日：2022-11-15
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: 本发明公开了一种基于复制秘密共享的密态数据库查询方法及装置，方法包括：用户将查询需求编译成复制秘密共享下的安全多方计算原语并将其交递给计算层，计算层向存储层请求共享查询需求所对应数据的表；每个数据提供方调用布尔复制秘密共享算法生成秘密份额并传输给计算方；计算方调用安全三方计算算法并利用密态过滤算子、密态连接算子、密态排序算子和密态聚合算子中的一个或多个进行安全三方计算，得到秘密共享形式的计算结果的秘密共享份额并发送给用户；调用秘密重构算法将计算结果的秘密共享份额重构之后得到最终的查询结果。本发明每个数据提供方将自己的数据以秘密共享的形式分成三个秘密份额发给计算方，性能更好。
-
公开(公告)号：CN115269939A
公开(公告)日：2022-11-01
申请号：CN202211191349.9
申请日：2022-09-28
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: G06F16/903
Abstract: 本发明公开了一种正则表达式生成方法、装置、智能终端及计算机存储介质，正则表达式生成方法包括：获取正样本数据和负样本数据；初始化正样本数据获得正则表达式种群；根据正样本数据和负样本数据评估正则表达式种群中正则表达式的适应度；根据适应度最高的正则表达式在正样本数据上进行样本匹配时的精确率，获得正则表达式集合；根据正则表达式集合获得最终正则表达式。本发明可以根据样本数据自动生成正则表达式，不需要人工编写大量的正则表达式，提高正则表达式的生成效率和准确性。
-
Patent Agency Ranking
公开(公告)号：CN119323141B
公开(公告)日：2025-05-06
申请号：CN202411864576.2
申请日：2024-12-18
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: G06F30/20 , G01M17/007
Abstract: 本发明涉及自动驾驶技术领域，特别涉及一种用于自动驾驶仿真测试的雾天场景生成方法及系统。其方法包括步骤：S1.按照场景描述文件，在CARLA模拟器中生成对应传感器配置所需的自动驾驶场景；S2.在场景描述文件的雾天场景中，CARLA模拟器获取自动驾驶主车对应传感器的参数配置；S3.根据对应传感器的参数配置构建传感器仿真模型；S4.自动驾驶场景结合自动驾驶主车构成CARLA模拟器的自动驾驶仿真测试环境，将自动驾驶被测对象接入到自动驾驶仿真测试环境中，执行在环测试。本发明基于CARLA模拟器构建自动驾驶仿真场景，创新性地设计了一种基于物理建模的激光雷达雾仿真算法，实现了雾天驾驶场景的传感器仿真能力。
-
公开(公告)号：CN118313445A
公开(公告)日：2024-07-09
申请号：CN202410529143.5
申请日：2024-04-29
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) , 鹏城实验室
IPC: G06N3/098 , G06N3/096 , G06N3/084 , G06N3/0464 , G06N3/0499 , G06F18/2415 , G06F18/2431 , G06N3/048
Abstract: 本发明涉及联邦学习技术领域，公开了一种基于受约束梯度更新的联邦类增量学习方法及系统，该方法包括：接收服务器发送的上一任务的个性化全局模型和跨任务协作损失；当获取到新的任务数据时，基于上一任务的梯度空间的基向量、新的任务的预测标签和真实标签以及跨任务协作损失，对上一任务的模型参数沿着与其梯度空间正交的方向进行更新，得到新的任务在本轮训练中的模型参数；对新的任务的类原型进行加权平均，得到新的任务在本轮训练中的类平均原型；重复上述模型参数和类平均原型的更新，进行预设轮次训练，在每一轮训练完成后，向服务器发送新的任务的模型参数和类平均原型。本发明在客户端有新增任务时，避免灾难性遗忘和模型漂移问题。
-
公开(公告)号：CN117313160B
公开(公告)日：2024-04-09
申请号：CN202311553385.X
申请日：2023-11-21
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)
Abstract: 本发明提供了一种隐私增强的结构化数据仿真生成方法及系统，该方法包括：步骤一，数据转换阶段：对数据进行规范化预处理；步骤二，概率图模型构建阶段：基于贝叶斯形式对所述步骤一进行规范化预处理的数据构建变分推断的后验分布，利用斯坦因变分梯度下降方法得到描述结构化数据特征间的关联关系，在引入差分隐私噪声时，采用蒙特卡洛估计算法自动获得每步更新所需添加的噪声量；步骤三，数据生成阶段：将所述步骤二得到的关联关系作为度量集合，生成与真实数据更加精确的仿真数据。本发明的有益效果是：本发明方法避免了在应用DP‑SGD时对梯度进行剪裁，不仅避免了剪裁参数的选择，而且缓解了梯度剪裁对推断过程的不利影响。
-
公开(公告)号：CN117313160A
公开(公告)日：2023-12-29
申请号：CN202311553385.X
申请日：2023-11-21
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)
Abstract: 本发明提供了一种隐私增强的结构化数据仿真生成方法及系统，该方法包括：步骤一，数据转换阶段：对数据进行规范化预处理；步骤二，概率图模型构建阶段：基于贝叶斯形式对所述步骤一进行规范化预处理的数据构建变分推断的后验分布，利用斯坦因变分梯度下降方法得到描述结构化数据特征间的关联关系，在引入差分隐私噪声时，采用蒙特卡洛估计算法自动获得每步更新所需添加的噪声量；步骤三，数据生成阶段：将所述步骤二得到的关联关系作为度量集合，生成与真实数据更加精确的仿真数据。本发明的有益效果是：本发明方法避免了在应用DP‑SGD时对梯度进行剪裁，不仅避免了剪裁参数的选择，而且缓解了梯度剪裁对推断过程的不利影响。
-
公开(公告)号：CN117236420A
公开(公告)日：2023-12-15
申请号：CN202311509786.5
申请日：2023-11-14
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 , G06F18/2113 , G06F18/214 , G06F18/2433 , G06F18/27 , G06F21/60 , G06F21/62 , G06Q40/03 , H04L9/08
Abstract: 本发明公开了一种基于数据子集的纵向联邦学习异常数据调试方法及系统，包括：发起方基于纵向联邦学习建模并进行联邦模型训练；利用训练后的联邦模型获取数据集中的问题数据子集，问题数据子集在联邦模型中的预测准确率低于其他数据子集在联邦模型中的预测准确率；对问题数据子集进行基于特征描述组合的筛选，获取带有异常描述的问题数据子集；发起方或参与方基于带有异常描述的问题数据子集进行数据溯源和纠正，并在纠正后重新训练联邦模型。本发明为隐私保护的联邦数据子集评估技术，在保证数据隐私下对联邦数据子集评估指标进行正确计算，形成基于数据子集的联邦学习调试方法，自动化定位异常数据，解决联邦学习模型表现异常的问题。
-
-
-
-
-
-
-
-
-
Search Results
118
records
(took 0.025 seconds)
