-
公开(公告)号：CN115631798A
公开(公告)日：2023-01-20
申请号：CN202211276710.8
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)
IPC: G16B40/20 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/084 , G06F18/2415 , G06F18/25
Abstract: 本发明公开了一种基于图对比学习的生物分子分类方法及装置，通过将获取的目标生物分子图输入到预训练的编码器中，将得到的目标生物分子图中的所有节点特征进行融合，得到目标生物分子图标签；编码器的预训练过程包括：将生物分子图输入第一编码器，得到生物分子图特征，将生物分子图输入第二编码器，得到生物分子图正例特征；将构造的生物分子图负例输入到第二编码器中，得到生物分子图负例的负例特征；获取每轮负例入队训练个数，基于生物分子图特征、生物分子图正例特征、负例特征和每轮负例入队训练个数，对第一编码器和第二编码器进行更新，得到预训练的编码器。与现有技术相比，本发明的技术方案能提高生物分子分类的准确性。
-
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：CN114969318A
公开(公告)日：2022-08-30
申请号：CN202210069686.4
申请日：2022-01-21
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) , 东莞理工学院
IPC: G06F16/35 , G06F16/36 , G06F40/284 , G06F40/211 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于多图稀疏交互网络的多任务立场检测方法。该方法通过将输入文本输入至多图稀疏交互网络模型，得到所述输入文本的立场检测极性和情感分类极性；所述多图稀疏交互网络模型包括文本编码模块、多图构建模块、多图稀疏交互模块和任务相关注意力模块；所述多图构建模块用于构建所述多图稀疏交互网络模型的立场任务图、情感任务图和任务关系图；多图稀疏交互模块用于对立场任务图、情感任务图和任务关系图的图内节点特征进行更新，和对节点特征在图间的稀疏交互进行更新；所述任务相关注意力模块用于计算输入文本的检测立场的极性和分类情感的极性。本发明技术方案提高了针对推文文本进行立场检测的准确性。
-
公开(公告)号：CN114416159B
公开(公告)日：2022-07-22
申请号：CN202210335647.4
申请日：2022-04-01
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信息增强调用序列的API推荐方法及装置，方法包括解析源代码提取得到原始API调用序列，根据原始API调用序列获取用户自定义API和非自定义API的对应关系，得到增强API调用序列；将原始API调用序列和增强API调用序列分别放入神经网络嵌入层，得到原始序列表示向量和第一增强序列表示向量，将第一增强序列表示向量输入神经网络第一编码器，得到第二增强序列表示向量，并和原始序列表示向量进行信息融合得到API新向量表示；将API新向量表示输入神经网络第二编码器中，得到API序列向量并输入相似度计算模块，得到每一个候选API的概率。本发明可解决原始API调用序列信息不足和用户自定义API携带信息过少影响推荐准确率的问题。
-
公开(公告)号：CN114416159A
公开(公告)日：2022-04-29
申请号：CN202210335647.4
申请日：2022-04-01
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信息增强调用序列的API推荐方法及装置，方法包括解析源代码提取得到原始API调用序列，根据原始API调用序列获取用户自定义API和非自定义API的对应关系，得到增强API调用序列；将原始API调用序列和增强API调用序列分别放入神经网络嵌入层，得到原始序列表示向量和第一增强序列表示向量，将第一增强序列表示向量输入神经网络第一编码器，得到第二增强序列表示向量，并和原始序列表示向量进行信息融合得到API新向量表示；将API新向量表示输入神经网络第二编码器中，得到API序列向量并输入相似度计算模块，得到每一个候选API的概率。本发明可解决原始API调用序列信息不足和用户自定义API携带信息过少影响推荐准确率的问题。
-
Patent Agency Ranking
公开(公告)号：CN113052203B
公开(公告)日：2022-01-18
申请号：CN202110181592.1
申请日：2021-02-09
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: 本发明公开了一种面向多种类数据的异常检测方法及装置。所述面向多种类数据的异常检测方法通过训练对抗学习网络，使对抗学习网络中的生成器拟合正常训练样本的分布以及学习正常训练样本的潜在模式，得到更新的对抗学习网络，根据训练过程中产生的重构误差构造更新的对抗学习网络中的异常评价函数，并将更新的对抗学习网络构建为异常检测模型，以利用异常检测模型对输入的检测数据进行异常检测，得到异常检测结果。本发明基于传统生成对抗学习模型的异常检测方法，通过引入模式分类器的思想，有效解决了检测数据与正常数据分布相近时异常检测难的问题，进一步提高了异常检测的准确性。
-
公开(公告)号：CN112988981B
公开(公告)日：2021-10-15
申请号：CN202110525248.X
申请日：2021-05-14
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: 本发明提供了一种基于遗传算法的自动标注方法，包括依次执行以下步骤：步骤1，预处理：获取评论，从评论中删除长度小于两个单词的评论和所有非字母数字字符，然后取小写字母，在标记化后剔除存在于NLTK语料库中的终止词，接下来，将单词简化为词根形式；步骤2，主题建模：采用LDA主题建模方法，给定一个评论列表R={r1,r2,…,rn}，获得相应的词汇D={ω1,ω2,...,ωd}，话题β={β1,β2,...,βk}；步骤3，基于遗传算法的主题标注：设计适合该主题标注场景的染色体结构、适应度参数以及遗传算子。本发明的有益效果是：利于开发者和用户了解应用评论。
-
公开(公告)号：CN111291890B
公开(公告)日：2021-01-01
申请号：CN202010399728.1
申请日：2020-05-13
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)
Abstract: 本发明提供了一种博弈策略优化方法、系统及存储介质，该博弈策略优化方法包括建立基于最大熵的策略递度算法步骤和多智能体最优反应策略求解步骤。本发明的有益效果是：本发明采用中心化训练和分散式执行的方式，提高动作估值网络的准确性，同时引入了全局基线奖励来更准确地衡量智能体的动作收益，以此来解决人博弈中的信用分配问题。同时引入了最大熵方法来进行策略评估，平衡了策略优化过程中的探索与利用。
-
公开(公告)号：CN111260040A
公开(公告)日：2020-06-09
申请号：CN202010370070.1
申请日：2020-05-06
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: 本发明提供了一种基于内在奖励的视频游戏决策方法，包括以下步骤：S1、获取视频游戏模拟环境；S2、构建神经网络模型；S3、设计内在奖励模型；S4、将内在奖励模型与构建的神经网络模型结构结合；S5、通过模拟环境获取游戏的记录；S6、通过获取的游戏记录，更新神经网络模型；S7、循环训练神经网络模型直至收敛。本发明的有益效果是：较好的解决了三维场景中较为常见的缺乏环境反馈奖励值的问题。
-
公开(公告)号：CN114844621B
公开(公告)日：2023-04-07
申请号：CN202210365746.7
申请日：2022-04-08
Applicant: 哈尔滨工业大学(深圳) , 暨南大学
Abstract: 本发明公开了一种基于多密钥全同态加密的多用户隐私保护机器学习方法及装置，方法包括：由公共字符串CRS进行多密钥全同态加密算法的初始化、生成安全参数λ及生成公共参数集mkparams；服务器S整合各个数据提供方上传的单密钥密文数据Encski(di)得到多密钥密文数据集Encsk(D)；服务器S在多密钥密文数据集Encsk(D)的基础上将普通机器学习算法中的线性运算替换为全同态加法和全同态乘法，对多密钥密文数据集Encsk(D)进行机器学习建模训练；服务器S将多密钥加密的模型密文Encsk(model)下发给各个数据提供方DPi和解密方DE；解密多密钥模型密文Encsk(model)，从而得到由各个数据提供方DPi的数据D训练得到的模型model＝Decsk(Encsk(model))。本发明在保证较高安全性的同时，以较低通信代价和较少交互次数完成隐私计算任务。
-
-
-
-
-
-
-
-
-
Search Results
121
records
(took 0.081 seconds)
