-
公开(公告)号：CN111898041B
公开(公告)日：2022-04-15
申请号：CN202010700511.X
申请日：2020-07-20
Applicant: 电子科技大学
IPC: G06F16/9536 , G06Q50/00
Abstract: 本发明公开了一种结合社交网络的圈层用户综合影响力评估及伪造判别方法，所述的圈层用户综合影响力评估方法包括：用户身份信息映射、用户间接影响力评估、用户直接影响力评估、用户影响力异常检测、影响力综合评估、影响力分层标签化等步骤。本发明通过对数据库中社交网络用户属性信息与圈层重点事件信息进行影响力的度量分析，并对量化的影响力进行异常检测，减少复杂关系网络中，对用户影响力评估的复杂度，最终通过标签化得到用户影响力评估结果进行语义化表达，直观易懂。
-
公开(公告)号：CN111898040A
公开(公告)日：2020-11-06
申请号：CN202010699207.8
申请日：2020-07-20
Applicant: 电子科技大学
IPC: G06F16/9536 , G06Q50/00
Abstract: 本发明公开了一种结合社交网络的圈层用户影响力评估方法，所述的圈层用户影响力评估方法包括：用户身份信息映射、用户间接影响力评估、用户直接影响力评估。本发明通过对数据库中社交网络用户属性信息与圈层重点事件信息进行影响力的度量分析，减少复杂关系网络中，对用户影响力评估的复杂度，得到用户直接影响力评估值和间接影响力评估值，使得用户影响力的评估直观易懂。
-
公开(公告)号：CN112990431A
公开(公告)日：2021-06-18
申请号：CN202110214084.9
申请日：2021-02-25
Applicant: 电子科技大学
IPC: G06N3/04 , G06F16/9535
Abstract: 本发明公开了一种基于异质图神经网络的邻域探索方法，包括以下步骤：步骤1：定义一个用于指导探索方向的参数α；步骤2：在给定的异质图ɡ与元路径Φ中，对于节点的每个直接邻居，有α的概率不进行任何操作，并跳转至下一直接邻居节点；有1‑α的概率进行有偏游走采样，并用游走采样得到的元路径邻居替换原来的直接邻居；步骤3：以α的概率，将直接邻居加入邻居集合；以1‑α的概率，将元路径邻居加入邻居集合。本发明通过平滑的将深度优先探索与广度优先探索两种探索策略进行拼接，以适应不同的异质网络结构，并实现对特定语义邻居的捕捉，从而提高推荐系统的可解释性及准确率。
-
公开(公告)号：CN112989842A
公开(公告)日：2021-06-18
申请号：CN202110215070.9
申请日：2021-02-25
Applicant: 电子科技大学
Abstract: 本发明公开了多语义异质图的通用嵌入框架的构建方法，包括：步骤1：构建一种邻域探索策略α‑exploration，平滑的将DFS与BFS两种探索策略进行拼接，以适应不同的异质网络结构；步骤2：基于α‑exploration，构建HNSE模型，包括α‑exploration邻域探索层、多语义学习层和节点分类层，在保留节点的异构信息与语义信息的同时，学习节点的低维嵌入；步骤3：以残差的形式实现多层HNSE模型，并在多层HNSE模型后接全连接输出层；步骤4：构建HNSE的三种扩展策略。本发明通过聚合不同类型的相邻/元路径邻居节点来嵌入多语义异质图的每个顶点，并为HNSE设计了一种结合元路径邻居与直接邻居的节点聚合采样策略，以指导HNSE中的多头注意力机制，并利用元路径改善节点多语义信息的捕捉。
-
公开(公告)号：CN111898041A
公开(公告)日：2020-11-06
申请号：CN202010700511.X
申请日：2020-07-20
Applicant: 电子科技大学
IPC: G06F16/9536 , G06Q50/00
Abstract: 本发明公开了一种结合社交网络的圈层用户综合影响力评估及伪造判别方法，所述的圈层用户综合影响力评估方法包括：用户身份信息映射、用户间接影响力评估、用户直接影响力评估、用户影响力异常检测、影响力综合评估、影响力分层标签化等步骤。本发明通过对数据库中社交网络用户属性信息与圈层重点事件信息进行影响力的度量分析，并对量化的影响力进行异常检测，减少复杂关系网络中，对用户影响力评估的复杂度，最终通过标签化得到用户影响力评估结果进行语义化表达，直观易懂。
-
Patent Agency Ranking
公开(公告)号：CN114244456B
公开(公告)日：2023-01-24
申请号：CN202111589637.5
申请日：2021-12-23
Applicant: 电子科技大学
IPC: H04B17/336 , G06N3/04 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种基于生成对抗网络的无线电数据增扩与分类方法，利用GAN捕获样本数据分布，生成具有原始数据分布特征的高质量“伪造”数据，从而解决获取无线调制数据困难与成本较高的问题；优化了调制数据分类模型，提出了调制分类模型AMCST，提高了调制数据的分类准确率。通过在公共数据集上的实验，证明了所提出的数据增扩方法可以极大地提高调制分类模型AMCST分类准确率。在未来的工作中，本发明将研究其他深度学习模型，如变分自编码器及其变种，在调制数据增扩领域的应用。
-
公开(公告)号：CN115526333A
公开(公告)日：2022-12-27
申请号：CN202211052967.5
申请日：2022-08-31
Applicant: 电子科技大学
Abstract: 本发明公开了一种边缘场景下动态权重的联邦学习方法，涉及机器学习技术领域，包括筛选客户端；下发全局模型给各客户端；客户端更新自身的计算能力值；客户端对全局模型进行训练；客户端根据计算能力值λ*和模型训练总时长，计算设备权重；对于每一客户端，若其模型训练总时长大于或等于截止时长，则直接返回参数至边缘服务器，否则通过增加余项对全局模型参数进行优化后，再返回参数至边缘服务器；边缘服务器根据设备权重所有返回的全局模型参数进行聚合，得到最终全局模型参数。本发明减少了因训练速度不一致导致部分设备带来的异构性影响，根据服务质量确定在最终模型聚合时的占比，从而确保聚合的结果在复杂的真实情况下更具有鲁棒性。
-
公开(公告)号：CN115563650A
公开(公告)日：2023-01-03
申请号：CN202211262070.5
申请日：2022-10-14
Abstract: 本发明公开了一种基于联邦学习实现医疗数据的隐私保护系，涉及医疗数据管理技术领域，包括医疗终端设备、医疗边缘服务器和医疗云中心服务器；医疗终端设备可通过变分建模对医疗数据进行预处理以实现隐私增强并得到模型训练数据；医疗边缘服务器用于将模型训练数据传入多模态模型，筛选得到生命体征区域特征，对全局医疗模型进行训练，得到局部模型，在局部模型梯度中加入本地微分扰动噪声；初始化和更新全局医疗模型。本发明为基于联邦学习的云边、智能、安全、可信的架构，能实现云边智能协同下的医疗模型训练；实现了医疗数据多模态融合的细粒度分类，提高了模型的准确率；将变分建模和差分隐私集成到系统架构中，确保医疗数据的高机密性。
-
公开(公告)号：CN114244456A
公开(公告)日：2022-03-25
申请号：CN202111589637.5
申请日：2021-12-23
Applicant: 电子科技大学
IPC: H04B17/336 , G06N3/04 , G06K9/62 , G06V10/764
Abstract: 本发明公开了一种基于生成对抗网络的无线电数据增扩与分类方法，利用GAN捕获样本数据分布，生成具有原始数据分布特征的高质量“伪造”数据，从而解决获取无线调制数据困难与成本较高的问题；优化了调制数据分类模型，提出了调制分类模型AMCST，提高了调制数据的分类准确率。通过在公共数据集上的实验，证明了所提出的数据增扩方法可以极大地提高调制分类模型AMCST分类准确率。在未来的工作中，本发明将研究其他深度学习模型，如变分自编码器及其变种，在调制数据增扩领域的应用。
-
公开(公告)号：CN116910653A
公开(公告)日：2023-10-20
申请号：CN202310895637.0
申请日：2023-07-20
Applicant: 电子科技大学
IPC: G06F18/241 , G06F18/214 , G06N20/20 , G06N3/0895 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种适于精准分类的联邦半监督学习方法，包括获取边缘服务器下发的经过预训练的全局模型并更新本地模型；利用更新后的本地模型对自身的无标签数据预测处理获得多个伪标签，然后使用这些伪标签和无标签数据对更新后的本地模型进行宽容监督训练；然后利用自身的有标签数据对宽容监督训练后的本地模型进行严格纠正训练，获得训练后的节点模型；将训练后的节点模型参数上传至边缘服务器ES使其聚合形成全局模型，进行下一轮迭代更新。本发明在边缘计算场景下将半监督学习与联邦学习相结合，利用无标签数据使模型充分学习到无标签数据蕴含的知识，并采用有标签数据对模型进行监督训练以纠正模型参数，从整体上提高了模型分类的准确率。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.019 seconds)
