-
公开(公告)号：CN119443167A
公开(公告)日：2025-02-14
申请号：CN202510032308.2
申请日：2025-01-09
Applicant: 安徽大学
IPC: G06N3/0495 , G06N3/063 , G06N3/045
Abstract: 本发明提供了一种面向Grounding DINO的量化推理加速方法及系统，属于计算机网络信息技术领域，方法包括：将待量化Grounding DINO模型中Linear层替换为W4Linear层，并获取待量化Grounding DINO模型的权重和权重矩阵的形状；根据权重矩阵的形状动态调整分组大小，基于分组大小对权重进行量化；对量化后的权重进行压缩，将待检测数据输入量化压缩后的Grounding DINO模型，模型基于W4A32行乘行去量化矩阵乘法推理出结果；解决Grounding DINO模型在资源受限的设备上部署时不能使用仅权重分组量化的问题，以及模型无法直接应用低位矩阵乘法内核的问题。
-
公开(公告)号：CN118587551A
公开(公告)日：2024-09-03
申请号：CN202410225946.1
申请日：2024-02-29
Applicant: 安徽大学 , 合肥瑞徽人工智能研究院有限公司 , 安徽省安全人工智能研究院
IPC: G06V10/82 , G06V10/764 , G06V10/766 , G06V10/80 , G06V10/25 , G06N3/042 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种面向遥感图像旋转目标检测的高精度知识蒸馏方法，其中方法包括S1、构建教师模型和学生模型；S2、计算学生模型分类损失函数值和回归损失函数值；S3、获得各特征层多尺度信息融合特征；S4、利用教师模型构建分类掩码和定位掩码；S5、计算学生模型特征层蒸馏损失函数值和输出层蒸馏损失函数值；S6、计算总损失函数值，优化学生模型。本发明通过利用教师模型的分类和回归信息，构建掩码来捕获教师模型特征重要区域；通过构建特征权衡模块，协调注意力特征和原始特征的比重，让学生模型可以学习目标多尺度的知识，从而保证学生模型轻量化后的精度，减少模型参数量、计算量和推理时间。
-
公开(公告)号：CN117994092A
公开(公告)日：2024-05-07
申请号：CN202311626771.7
申请日：2023-11-30
Applicant: 安徽大学 , 安徽省安全人工智能研究院 , 合肥瑞徽人工智能研究院有限公司
Abstract: 本发明公开了一种基于实体内部关系和学习曲线理论的认知诊断方法。包括以下步骤：S1，分别构建学生、习题和概念这三个实体内部的关联关系图；S2，构造学生图、构造习题图，并构造概念图；S3，聚合上述三个实体的关系图信息，得到学生向量、习题向量、概念向量；S4，学习曲线理论的建模；S5，利用融合器来融合学生向量、习题向量、概念向量和学习曲线理论向量，并输出两个向量——学生掌握向量和习题难度向量[；S6，计算损失函数值，进行模型优化。本发明显著提高了模型的精确度和表征能力，能够更好地捕捉实体之间的复杂关联，可以更准确地表征学生对概念的掌握程度。同时，引入猜测因子，使模型更加贴合实际的教育场景。
-
公开(公告)号：CN110175224B
公开(公告)日：2022-09-30
申请号：CN201910476853.5
申请日：2019-06-03
Applicant: 安徽大学
IPC: G06F16/33
Abstract: 本发明公开了基于语义链接异构信息网络嵌入的专利推荐方法及装置，方法包括：1)、针对专利数据库中的每个专利，将与所述专利的文本相似度最高的、前第一预设数量个顺序次序对应的专利作为语义链接，且所述专利数据库中包括被审查专利；2)、根据所述语义链接关系和著录项目信息来构建所述专利数据库对应的异构信息网络，并使用边将异构信息网络中的各个节点连接；3)、获取所述异构信息网络中各个专利节点的特征向量；4)、获取各个节点的特征向量与被审查专利对应专利节点的特征向量之间的余弦相似度，将余弦相似度最高的、前第二预设数量个顺序次序对应的专利作为被审查专利的待推荐专利。应用本发明实施例，可以使推荐的专利更准确。
-
公开(公告)号：CN110175224A
公开(公告)日：2019-08-27
申请号：CN201910476853.5
申请日：2019-06-03
Applicant: 安徽大学
IPC: G06F16/33
Abstract: 本发明公开了基于语义链接异构信息网络嵌入的专利推荐方法及装置，方法包括：1)、针对专利数据库中的每个专利，将与所述专利的文本相似度最高的、前第一预设数量个顺序次序对应的专利作为语义链接，且所述专利数据库中包括被审查专利；2)、根据所述语义链接关系和著录项目信息来构建所述专利数据库对应的异构信息网络，并使用边将异构信息网络中的各个节点连接；3)、获取所述异构信息网络中各个专利节点的特征向量；4)、获取各个节点的特征向量与被审查专利对应专利节点的特征向量之间的余弦相似度，将余弦相似度最高的、前第二预设数量个顺序次序对应的专利作为被审查专利的待推荐专利。应用本发明实施例，可以使推荐的专利更准确。
-
Patent Agency Ranking
公开(公告)号：CN118568484A
公开(公告)日：2024-08-30
申请号：CN202410451734.5
申请日：2024-04-16
Applicant: 安徽大学 , 合肥瑞徽人工智能研究院有限公司 , 安徽省安全人工智能研究院
IPC: G06F18/214 , G06N20/00 , G06Q30/0601
Abstract: 本发明公开了一种检验推荐系统可靠性的对抗样本生成方法、设备及介质，其中方法包括：S1、在代理模型引入KL损失，提升在代理模型生成的对抗样本的隐蔽性；S2、迭代优化获取优化后代理模型；S3、优化后代理模型基于预梯度引导动量的优化策略生成优化后对抗样本；S4、对目标模型在新训练数据集上进行检验；S5、通过检验目标模型推荐系统用户分布变化，及目标模型向普通用户推荐目标项目情况，改进提高目标模型可靠性。本发明结合预梯度引导动量梯度优化策略和KL散度约束假用户生成，增强了推荐系统中对抗样本的可转移性，并生成更多难以察觉的假用户，可以更为真实的检验推荐系统可靠性，提高推荐系统防范能力。
-
公开(公告)号：CN118537624A
公开(公告)日：2024-08-23
申请号：CN202410532871.1
申请日：2024-04-30
Applicant: 安徽大学 , 合肥瑞徽人工智能研究院有限公司 , 安徽省安全人工智能研究院
IPC: G06V10/764 , G06V10/40 , G06V10/774 , G06V20/56 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于数据多尺度特征的3D点云对抗攻击方法、设备及介质，方法包括从原始点云提取中间特征，构建自动编码器，提取原始点云的多尺度特征，获取重构点云，计算特征损失、重构损失和对抗损失，计算总损失函数值，优化自动编码器，以测试和评估3D点云分类模型在面对恶意扰动或有意设计的输入时的鲁棒性，促进更鲁棒分类算法的研究与开发。本发明从点云数据的特征空间出发，基于点云的多尺度特征使用自动编码器对点云进行重构，缓解对抗点云对代理模型网络结构的过度依赖，提升对抗点云的可迁移性；为改善3D点云分类模型的鲁棒性提供依据，有利于确保3D点云分类算法在自动驾驶等安全敏感领域的安全运用。
-
公开(公告)号：CN117592550B
公开(公告)日：2024-04-30
申请号：CN202410078661.X
申请日：2024-01-19
Applicant: 安徽大学 , 合肥瑞徽人工智能研究院有限公司
IPC: G06N3/094 , G06N3/042 , G06N3/084 , G06N3/0985 , G06F21/57
Abstract: 本申请提出了一种图神经网络模型黑盒攻击方法及装置，该方法包括：获取原始图数据并选择代理模型，根据原始图数据与代理模型，得到预测标签；将原始图数据初始化作为初始化后的对抗图，将对抗图输入到代理模型进行训练，得到目标代理模型；根据预测标签与目标代理模型，计算本次迭代的测试集损失，并基于两次迭代测试集损失值之差判断扰动是否满足预设条件，如果不满足预设条件，对扰动进行校正；在扰动满足预设条件时，根据损失函数构建增强动量梯度对当前对抗图进行更新，生成本次迭代的对抗图；当迭代次数达到预设迭代次数时，利用最终生成的对抗图对其他图神经网络模型进行攻击。本申请能够欺骗图神经网络模型，攻击基于图数据的应用系统。
-
公开(公告)号：CN117711599A
公开(公告)日：2024-03-15
申请号：CN202311478019.2
申请日：2023-11-08
Applicant: 安徽大学 , 安徽省安全人工智能研究院 , 合肥瑞徽人工智能研究院有限公司
IPC: G16H50/20 , G16H10/20 , G06F18/2415 , G06F18/213 , G06N3/048
Abstract: 本发明公开了一种使用属性交互进行精确认知诊断的方法，包括以下步骤：S1，根据学生的做题记录获取数据以及数据的相关属性信息；S2，对上述数据进行处理，得到数据的特征表示；S3，使用嵌入层将特征表示降维到低维空间，得到用向量表示的因子；S4，将因子互相做交互，得到属性的交互表示；S5，将属性的交互表示以及因子分别融入到认知诊断函数中，得到优化后的因子特征表示；S6，基于经典的MIRT模型，将特征表示结合起来，得到学生初步做题预测表现；S7，进一步加上学生可能失误或猜测的因素造成的影响，得到最终的学生做题表现预测；S8，计算损失函数值，优化认知诊断模型。本发明提高了认知诊断方法的性能。
-
公开(公告)号：CN117592550A
公开(公告)日：2024-02-23
申请号：CN202410078661.X
申请日：2024-01-19
Applicant: 安徽大学 , 合肥瑞徽人工智能研究院有限公司
IPC: G06N3/094 , G06N3/042 , G06N3/084 , G06N3/0985 , G06F21/57
Abstract: 本申请提出了一种图神经网络模型黑盒攻击方法及装置，该方法包括：获取原始图数据并选择代理模型，根据原始图数据与代理模型，得到预测标签；将原始图数据初始化作为初始化后的对抗图，将对抗图输入到代理模型进行训练，得到目标代理模型；根据预测标签与目标代理模型，计算本次迭代的测试集损失，并基于两次迭代测试集损失值之差判断扰动是否满足预设条件，如果不满足预设条件，对扰动进行校正；在扰动满足预设条件时，根据损失函数构建增强动量梯度对当前对抗图进行更新，生成本次迭代的对抗图；当迭代次数达到预设迭代次数时，利用最终生成的对抗图对其他图神经网络模型进行攻击。本申请能够欺骗图神经网络模型，攻击基于图数据的应用系统。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.018 seconds)
