-
公开(公告)号：CN117036870A
公开(公告)日：2023-11-10
申请号：CN202311298498.X
申请日：2023-10-09
IPC: G06V10/774 , G06V10/764
Abstract: 本说明书公开了一种基于积分梯度多样性的模型训练和图像识别方法。所述方法包括：将样本数据分别输入各基模型，确定每个基模型对应的图像识别结果；针对每个基模型，根据该基模型对应的图像识别结果以及样本数据的实际标签，确定该基模型对应的分类损失，以及，确定该基模型相对于样本数据的积分梯度，作为该基模型对应的积分梯度；根据每个基模型对应的分类损失，确定目标集成模型对应的目标分类损失，以及，根据各基模型对应的积分梯度之间的偏差，确定目标集成模型对应的积分梯度正则项损失；根据目标分类损失以及积分梯度正则项损失，对目标集成模型进行训练。
-
公开(公告)号：CN117035695A
公开(公告)日：2023-11-10
申请号：CN202311293167.7
申请日：2023-10-08
Applicant: 之江实验室
IPC: G06Q10/10 , G06V30/10 , G06V30/148
Abstract: 本说明书公开了一种信息预警的方法、装置、可读存储介质以及电子设备，可以通过预设的文本处理模型，来将每个贸易措施文件信息对应的贸易措施关联信息与各行业的行业信息进行匹配，并建立以及保存企业、行业与各贸易措施关联信息之间的对应关系，从而使得当出台新的贸易措施文件信息时，可以通过预先建立并保存的该对应关系，快速的确定出与新出台的贸易措施文件信息相匹配的行业，并向归属于匹配出的行业的企业发送预警信息，从而有效地保证了企业免受不必要的损失。
-
公开(公告)号：CN116992034A
公开(公告)日：2023-11-03
申请号：CN202311245716.3
申请日：2023-09-26
Applicant: 之江实验室
IPC: G06F16/35 , G06F16/383 , G06F40/194 , G06N3/048 , G06N3/0499 , G06N3/09 , G06Q50/26
Abstract: 本发明涉及一种智能事件打标方法、装置及存储介质，其中方法包括：S1、获取事件反馈文本，并利用多分类模型预测事件一级标签；S2、将一级标签与事件专家规则库进行碰撞比对，确定分类难度，若为易分类标签则转S3，否则转S4；S3、构建层次分类模型确定多层次事件标签结果；S4、构建检索模型，根据每条事件对应向量与标签向量的相似度得分输出多个相似标签向量，若相似度得分至少一个不小于预设阈值，则根据用户选择的其中之一标签作为事件标签结果，否则，执行S5；S5、构建生成模型，以事件反馈文本作为输入，输出推荐标签，存入事件打标结果表。与现有技术相比，本发明具有自动化打标、确定标签准确性高等优点。
-
公开(公告)号：CN116484768B
公开(公告)日：2023-08-18
申请号：CN202310598800.7
申请日：2023-05-25
IPC: G06F30/28 , G06F111/10 , G06F113/08 , G06F119/14
Abstract: 本说明书公开了一种系统动力学模型构建方法及装置，可以将用于构建系统动力学模型的各结构组件对应的配置代码语句和处理代码语句单独分割出来，可以使用户在需要构建系统动力学模型时，仅需要对各组件的主要参数进行配置，从而可以根据用户配置的参数实时生成由用户选定的指定编程语言编写的配置代码语句和处理代码语句，并基于生成的配置代码语句和处理代码语句构建系统动力学模型，进而可以提升系统动力学模型的构建效率。
-
公开(公告)号：CN116307575A
公开(公告)日：2023-06-23
申请号：CN202310253543.3
申请日：2023-03-09
Applicant: 之江实验室
IPC: G06Q10/0631 , G06F18/22 , G06F40/295
Abstract: 本说明书公开了一种任务分配的方法、装置、存储介质及电子设备。所述任务分配的方法包括：接收任务处理请求，根据所述任务处理请求，确定待处理任务的任务信息，识别所述待处理任务中所涉及的实体对象，以及从所述任务信息中提取出目标数据，所述目标数据用于表征所述待处理任务的重要程度，根据所述目标数据以及所述实体对象，确定所述待处理任务的任务类型，基于所述任务类型，根据获取到的各处理人员当前的工作状态信息、所述待处理任务的任务特征和所述各处理人员的历史工作信息中的至少一种，确定负责处理所述待处理任务的处理人员，作为目标人员，并将所述待处理任务分配给所述目标人员所使用的终端设备。
-
Patent Agency Ranking
公开(公告)号：CN116303625A
公开(公告)日：2023-06-23
申请号：CN202310557261.2
申请日：2023-05-17
IPC: G06F16/2455 , G06F16/22 , G06F16/901
Abstract: 本说明书公开了一种数据查询的方法、装置、存储介质及电子设备，获取原始数据表，根据预设的知识图谱，确定出原始数据表中包含的实体信息并标注，得到标注后数据表；将标注后数据表和知识图谱输入到预设的分类模型中，以使分类模型确定出原始数据表中各列数据对应的实体类型和原始数据表中各列数据对应的实体类型之间的关系，作为实体类型关系。根据实体类型关系以及标注后数据表中包含的实体信息，确定补充信息。通过补充信息，补充原始数据表，得到补充后数据表；接收数据查询请求，从数据查询请求中确定出用于描述用户需要查询的查询参考信息，以及根据查询参考信息和补充后数据表中包含的第一描述信息和/或第二描述信息，执行数据查询。
-
公开(公告)号：CN116091895A
公开(公告)日：2023-05-09
申请号：CN202310361997.2
申请日：2023-04-04
Applicant: 之江实验室
IPC: G06V10/82 , G06V10/80 , G06V10/764 , G06N3/0464 , G06N3/084
Abstract: 本说明书公开了一种面向多任务知识融合的模型训练方法及装置。首先，获取图像数据。其次，根据待训练的目标识别模型中的特征块数量，对预先训练的各识别模型进行恒等变换，得到各等量特征块识别模型。然后，针对目标识别模型中包含的每个特征块，从各等量特征块识别模型中确定出与该特征块相对应的特征块，作为目标特征块，将各目标特征块输出的图像特征进行拼接，得到该特征块对应的拼接后图像特征，并将该特征块输出的图像特征与该特征块对应的拼接后图像特征之间的偏差，作为该特征块对应的偏差。最后，以最小化各特征块对应的偏差为优化目标，对目标识别模型进行训练。本方法可以使得目标识别模型能够同时解决预先训练的各识别模型的任务。
-
公开(公告)号：CN119207609B
公开(公告)日：2025-04-18
申请号：CN202411728782.0
申请日：2024-11-28
Applicant: 之江实验室
IPC: G16C20/10
Abstract: 本说明书公开了一种化学反应式识别方法、装置、存储介质及设备，服务器可以从文档中智能地自动识别化学反应式，进而能够根据化学反应式中化学分子式的物种名称，精准地获取其相应的SMILES结构信息，并补全化学反应式中缺失的SMILES结构信息，以确保最终生成的是以SMILES形式完整表达的化学反应式。此外，服务器在最终输出以SMILES形式完整呈现的化学反应式之前，进行了化学反应式的有效性验证。从而极大地提升了信息识别的精确度和可靠性。
-
公开(公告)号：CN117591661A
公开(公告)日：2024-02-23
申请号：CN202410076463.X
申请日：2024-01-18
Applicant: 之江实验室
IPC: G06F16/332 , G06F16/36 , G06F40/211 , G06F40/30 , G06N3/09 , G06N3/0895
Abstract: 本说明书公开了一种基于大语言模型的问答数据构建方法及装置，可以从知识图谱中提取出基础三元组以及从文档库中提取出文本素材，而后，可以根据文本素材，对基础三元组进行补充，得到三元组集合；针对三元组集合中的每个三元组，可以确定该三元组的关联三元组以及从文本素材中确定出该三元组的关联文本段落，以得到多源知识数据。而后，可以根据多源知识数据，生成问答数据，可以对生成的问答数据进行标注，从而通过半监督的方式训练识别模型，以通过识别模型从问答数据中筛选出有效的问答数据，筛选出的有效的问答数据可以用于对大语言模型进行训练或微调，从而本方法能够提到生成问答数据的效率和有效性。
-
公开(公告)号：CN117574982A
公开(公告)日：2024-02-20
申请号：CN202410060305.5
申请日：2024-01-16
Applicant: 之江实验室
IPC: G06N3/08 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/0499 , G06V10/82 , G06V10/774 , G06V10/764
Abstract: 一种基于线性变换的预训练模型微调方法和装置，其方法包括：收集与下游任务的相关图像数据，对图像数据划分训练集、验证集，并进行适当的预处理，选择合适的预训练模型，修改该模型的任务头，以适配下游任务，并冻结预训练模型的骨干部分；在相邻层间插入线性变换模块，所述线性变换模块用于对特征的缩放和平移；利用下游任务的数据微调预训练模型，保存在验证集上表现最优的模型权重；利用重参数技术将线性变换模块的参数融入到相邻层中，最后部署模型，完成下游任务。本发明引入的待学习参数少，在多种下游任务上，能够实现更高的准确率，并且，在模型推理阶段采用重参数技术将引入的参数融入了模型骨干层中，极大地简化了模型的部署。
-
-
-
-
-
-
-
-
-
Search Results
73
records
(took 0.034 seconds)
