-
公开(公告)号：CN119446482A
公开(公告)日：2025-02-14
申请号：CN202411430722.0
申请日：2024-10-14
Applicant: 南京信息工程大学
Abstract: 本发明公开了智慧医疗技术领域的一种基于量子联邦学习的医疗辅助诊断方法及电子设备，其方法包括：基于预训练的量子联邦学习模型进行医疗辅助诊断，量子联邦学习模型的获取过程包括：构建量子联邦学习模型，包括本地客户端和中心服务器端；重复执行以下步骤直至达到预设的训练周期：在当前训练周期内，根据训练样本集对本地客户端进行训练，根据测试样本集计算本地客户端的准确度；本地客户端在当前训练周期后将其准确度和最终的模型梯度发送至中心服务器；中心服务器根据准确度和模型梯度更新全局模型参数，并返回至本地客户端；本地客户端根据全局模型参数更新本地模型参数。本发明能够提高医疗辅助诊断的准确度和效率。
-
公开(公告)号：CN118762349A
公开(公告)日：2024-10-11
申请号：CN202411245459.8
申请日：2024-09-06
Applicant: 南京信息工程大学
IPC: G06V20/58 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/0442 , G06N3/084 , G06N3/09
Abstract: 本发明公开了一种基于量子卷积神经网络的交通标志识别方法，具体包括如下步骤：步骤1：采集交通标志图像，并为每个图像进行标签处理；将采集的交通标志图像和对应的标签作为样本数据；步骤2：建立量子卷积神经网络，所述量子卷积神经网络包括预处理层，量子计算层和分类层；步骤3：对量子卷积神经网络进行训练，并采用训练好的量子卷积神经网络进行交通标志识别。本发明提高了交通标志分类性能，降低复杂性，能够应对大规模图像数据，具有较好的抗量子噪声性能，拥有很好的可应用性和可扩展性。
-
公开(公告)号：CN118644765A
公开(公告)日：2024-09-13
申请号：CN202411104260.3
申请日：2024-08-13
Applicant: 南京信息工程大学
Abstract: 本发明公开了图像识别领域的一种基于异构和长尾数据的联邦学习方法及系统，方法包括：客户端接收全局模型和重训练模型，以及获取异构和长尾数据集，并对全局模型进行本地训练，以及利用重训练模型计算真实特征的梯度；客户端将本地模型和真实特征的梯度发送到服务器端聚合，得到聚合后的全局模型和类C的聚合特征梯度；服务器端构建类C的虚拟特征，并计算虚拟特征梯度，通过比较两个特征梯度之间的差异，选择一个最优的虚拟特征梯度，并获得对应的最新虚拟特征；服务器端将聚合后的全局模型和最新的重训练模型发送至客户端，完成当前迭代轮次的训练；本发明能够解决因异构和长尾数据导致联邦学习准确率低问题，从而有效保护数据的隐私。
-
公开(公告)号：CN118101330B
公开(公告)日：2024-06-21
申请号：CN202410476367.4
申请日：2024-04-19
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种CAN车载网络入侵检测方法、装置、系统及存储介质，属于车载网络入侵检测技术领域，方法包括：将经过预处理的待测数据输入至训练好的PCNA模型进行检测，获取CAN车载网络入侵检测结果；其中，所述PCNA模型是基于预处理的数据集，结合Context_PC层和NA层构建，并结合联邦学习和差分隐私训练的。该方法能够在提高CAN车载网络入侵检测能力的同时保护车载客户端的隐私。
-
公开(公告)号：CN118115862A
公开(公告)日：2024-05-31
申请号：CN202410533850.1
申请日：2024-04-30
Applicant: 南京信息工程大学
IPC: G06V20/00 , G06V40/16 , G06V10/82 , G06V10/774 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/084 , G06N3/088
Abstract: 本发明提出了一种人脸图像篡改异常检测方法、装置及介质，在cycleGAN基础上，引入了SENet通道注意力模块以增强模型性能。该方法通过无监督学习正常未经篡改的人脸图像分布，使用量化的异常图像重建差异作为异常得分；通过与预设阈值进行比较，实现对人脸篡改图像的异常检测；本发明利用生成式模型和通道注意力模块相结合，有效提升了人脸篡改图像检测的精度和鲁棒性；通过量化异常图像的重建差异，该方法能够可靠地识别出潜在的篡改行为，为人脸图像的安全性提供了有效保障。
-
Patent Agency Ranking
公开(公告)号：CN117560183A
公开(公告)日：2024-02-13
申请号：CN202311504777.7
申请日：2023-11-13
Applicant: 南京信息工程大学
IPC: H04L9/40 , H04L67/12 , G06N3/0464 , G06N3/098 , G06N3/045 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种车联网实时入侵检测方法、装置及系统，所述车联网实时入侵检测方法包括获取预先基于自注意力机制和残差网络构建的入侵行为检测模型，所述入侵行为检测模型是基于联邦学习方法训练获得；将获取到的实时车联网流量数据预处理后，生成对应的图像数据；将所述图像数据送入所述入侵行为检测模型，计算出该实时车联网流量数据的异常概率，完成车联网实时入侵检测。本发明具有高效检测网络流量攻击的能力，能够提高车联网环境下攻击检测能力和用户隐私的安全性。
-
公开(公告)号：CN117421740A
公开(公告)日：2024-01-19
申请号：CN202311545535.2
申请日：2023-11-20
Applicant: 南京信息工程大学
IPC: G06F21/57 , G06F18/241 , G06F18/213 , G06N3/0464 , G06N3/084 , G06N3/042 , G06N3/045
Abstract: 本发明公开了一种基于异构图变换网络的源代码漏洞检测方法、装置，包括：将待检测的源代码数据转换为代码属性图；通过异构图形变换器和卷积池化模块对代码属性图进行特征提取，得到源代码的特征向量；利用分类器对源代码的特征向量进行分类，得到源代码的漏洞检测结果；其中，异构图形变换器、卷积池化模块和分类器组成源代码漏洞检测模型，在源代码漏洞检测模型的训练过程中，利用TomekLinks欠采样技术对训练样本进行类别平衡处理。本发明能够在提升基于深度学习的漏洞检测方法在真实世界不平衡数据中检测性能同时，提高检测的效率。
-
公开(公告)号：CN117196012A
公开(公告)日：2023-12-08
申请号：CN202311150942.3
申请日：2023-09-07
Applicant: 南京信息工程大学
IPC: G06N3/098 , G06N3/0464 , G06F21/62
Abstract: 本发明公开了一种基于差分隐私的个性化联邦学习识别方法及系统，所述方法在客户端执行，包括：获取初始化模型参数，并将其加载入预搭建的本地模型中；基于隐私预算采用个性化差分隐私算法对加载参数的本地模型进行噪声处理，并将噪声处理后的本地模型的共享层模型参数发送给服务器；将聚合后的共享层模型参数加载入噪声处理后的本地模型的共享层中，然后局部微调，得到个性化模型；对个性化模型进行重复训练，直至达到全局迭代次数后，得到基于差分隐私的个性化联邦学习测试模型。本发明的客户端能够根据客户选择的隐私预算对本地模型进行处理，从而适应不同用户的不同隐私需求，同时结合Adam算法，降低了添加噪声对模型精度的影响。
-
公开(公告)号：CN116758513A
公开(公告)日：2023-09-15
申请号：CN202310688153.9
申请日：2023-06-12
Applicant: 南京信息工程大学
IPC: G06V20/58 , G06V10/82 , G06N3/0464 , G06N3/098
Abstract: 本发明公开了一种基于联邦学习的个性化交通标志判别方法，包括：服务器初始化模型参数，并将模型发送给客户端；客户端接收来自服务器端初始化模型参数；对数据数据预处理；在客户端训练模型；服务器聚合来自客户端的模型参数；客户端接收来自服务器的聚合后模型参数，并将聚合后的模型加载进本地模型中；继续训练模型，直到达到各自的迭代次数输出模型。本发明基于AIDE和DANE的分布式方法的修正项，个性化联邦学习和动态校准项的混合模型用于智慧车联网的交通标志判别的方法。该模型可以考虑每个用户的算力与其数据分布情况，在保证数据隐私安全的情况下以很小的性能进行交通标志判别。
-
公开(公告)号：CN118898086A
公开(公告)日：2024-11-05
申请号：CN202411400505.7
申请日：2024-10-09
Applicant: 南京信息工程大学
Abstract: 本发明提供了一种医疗数据的联合预测方法、系统及介质，其方法包括：获取医疗数据中心的数据集；将所述医疗数据中心的数据集输入预先训练的数据预测模型，得到医疗数据中心的数据集的本地预测结果；利用所述量子本地数据训练量子节点权值，根据所述权值和医疗数据中心的数据集的本地预测结果，进行量子联合推理计算，得到所述医疗数据中心的数据集的联合预测结果。本发明对医疗数据中心的数据集进行本地预测，避免了训练阶段量子本地数据和数据预测模型的参数对外的传输，不会发生数据隐私泄露，更不会面临着梯度攻击的风险；不进行任何的数据传输，只在联合推理阶段进行一次量子联合推理，在非独立同分布数据集上的不会有性能的损失。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.033 seconds)
