-
公开(公告)号：CN109829334A
公开(公告)日：2019-05-31
申请号：CN201910090761.3
申请日：2019-01-30
Applicant: 复旦大学
IPC: G06F21/62
Abstract: 本发明属于大数据安全技术领域，具体为基于区块链的数据盒配置、使用和记账方法及其运作系统。数据盒是为数据提供者提供数据开放接口以及数据使用者提供使用接口的基本单元。本发明利用数据盒为数据载体来保证开放共享的数据的可用性，利用区块链技术辅助数据盒的使用和记账，保证每一笔开放共享数据的使用可追踪且使用记录难篡改，保证数据盒使用权利的不可转移性、数据使用者的唯一性。本发明解决了数据开放共享过程中数据使用记录被篡改、数据盒被二次分发、数据盒实际使用权利或使用者发生转移的问题，帮助数据提供者在数据开放的同时又能保证其数据稀缺性不丧失和隐私不泄露，保证数据盒的使用真实有效，有效地支持数据开放共享。
-
公开(公告)号：CN107633181A
公开(公告)日：2018-01-26
申请号：CN201710816711.X
申请日：2017-09-12
Applicant: 复旦大学
Abstract: 本发明属于大数据技术领域，具体为面向数据开放共享的数据模型及其运作系统。本发明的数据模型包括：为数据使用者提供开放数据的基本组成单元--数据盒，包括数据盒的数据描述、数据操作和数据约束，以及数据盒的性质；封装在数据盒中的数据防泄漏和数据权益保护机制，并设有供外部软件使用的接口；数据盒的计量与定价，即根据数据使用者提出的要求和目标，计算数据使用者所需数据盒的数量和时间等，并进行定价。本发明的这种数据资源组织形式提升了数据的独立性、可用性和可控性，实现了数据自治，使得数据拥有者在数据开放的同时又能保证其数据稀缺性不丧失和隐私不泄露，有效地支持数据开放共享。
-
公开(公告)号：CN106874668A
公开(公告)日：2017-06-20
申请号：CN201710077612.4
申请日：2017-02-14
Applicant: 复旦大学
IPC: G06F19/00
Abstract: 本发明属于数据挖掘、医疗信息和大数据技术领域，具体为一种基于全记忆事件序列挖掘模型的用药分析方法。本发明方法将原始用药数据转换成类别型的用药事件发生序列，把所有类别型用药事件序列的每个用药事件节点转换为欧式空间的多维向量表示；然后根据要预测的用药事件的前一个节点来对所有历史记录的事件加权求和，形成预测事件的记忆的特征表示，作为预测下一个事件向量的分类器的标准输入，把要预测的事件的多维向量表示作为输出，训练一个预测模型，再把欧式空间的多维向量映射回原来的类别型空间，使用所有用药事件序列训练；最后，对于新的用药事件序列，输入训练好的模型，用于预测未来事件。本方法能够利用尽可能多的数据来用于决策，从而减少决策的失误。
-
公开(公告)号：CN117874482A
公开(公告)日：2024-04-12
申请号：CN202311342404.4
申请日：2023-10-16
Applicant: 深圳市财付通网络金融小额贷款有限公司 , 复旦大学
IPC: G06F18/213 , G06F18/24 , G06F9/50 , G06Q40/04 , G06F123/02
Abstract: 本申请涉及数据技术领域，尤其涉及人工智能技术领域，提供一种交互数据的处理方法、装置、电子设备和存储介质，用以提高交互数据的分析效率和准确性。其中，方法包括：获取基于待处理的交互序列数据构建的交互图；根据交互图中每个节点各自对应的初始中心度，从交互图中选取多个目标节点；根据多个目标节点，将交互图划分为多个子图，且部分子图中存在至少一个共享节点，共享节点属于目标节点；基于不同的计算节点，对多个子图中的节点分别进行特征提取，获得多个子图中每个节点各自对应的交互行为特征，并根据每个节点各自的交互行为特征，执行目标下游任务，该方法在图分割的过程中融入了时序信息，可有效提高交互数据的分析效率和准确性。
-
公开(公告)号：CN109545302B
公开(公告)日：2023-12-22
申请号：CN201811227004.8
申请日：2018-10-22
Abstract: 本发明属于医学图像处理技术领域，具体为一种基于语义的医学影像报告模板生成方法。本发明根据影像自动生成初步的成像报告，为没有经验的放射科医师撰写成像报告提供参考模板，降低放射科医师的工作强度与难度。放射科医师在撰写影像报告时会按照一定的诊断次序关注影像的不同区域，根据这些区域的特征做出相对应的影像学描述，本发明使用图像编码器与层次化的句子解码器架构，并引入了根据参照文本的注意力机制，模拟专业的放射科医师撰写成像报告的过程。相较于传统的基于模板的和基于规则的方法，本发明中提出的方法能生成自然语言化的成像报告，能够根据影像的特征捕捉到丰富的语义特征。
-
Patent Agency Ranking
公开(公告)号：CN116451684A
公开(公告)日：2023-07-18
申请号：CN202310415786.2
申请日：2023-04-18
Applicant: 复旦大学
IPC: G06F40/279 , G06F40/216 , G06N3/08
Abstract: 本发明属于自然语言处理技术领域，具体为一种网络协议文档标注和有限状态机提取的方法及装置。本发明包括：获取待标注的协议文档目标文本，并预处理；根据数据分布的先验以及领域知识，为状态机角色类别标签构造标签模型,作为类别虚拟标签词嵌入到掩码语言模型词典中；根据目标文本中各短句的语义以及上下文信息，利用标签模型学习其特征表示向量；再利用特征表示向量为短句分类并标注标签，以此代表描述状态机各功能角色的文本；根据标注分类后的文本及其标签以XML的形式构建协议文本的中间表示，从中间表示中抽取有限状态机。本发明采用无模版提示学习提高模型在缺少大量训练数据和零样本测试情况下的标注协议文本性能，提升提取状态机效果。
-
公开(公告)号：CN110175506B
公开(公告)日：2023-01-06
申请号：CN201910277665.X
申请日：2019-04-08
Applicant: 复旦大学
Abstract: 本发明属于机器学习技术领域，具体为一种基于并行降维卷积神经网络的行人重识别方法和装置。本发明方法包括：构建并训练基于并行降卷积核的卷积神经网络，作为特征提取模型；对已确定为待检索的目标图像和待判定的目标图像进行预处理，获得预处理的目标图像和相应的待判定图像；将目标图像和待判定图像依次输入特征提取模型，得到多个待判定行人特征向量和多个目标特征向量；根据特征向量，在待判定目标图像中寻找出与目标图像一致的行人图像。本发明采用并行卷积核减少了卷积参数，同时运用多个低维度对称卷积核和低维度非对称卷积核代替较高维度卷积核，减少了运算量，本发明的行人重识别精度远高于现有的多种行人重识别方法。
-
公开(公告)号：CN107633181B
公开(公告)日：2021-01-26
申请号：CN201710816711.X
申请日：2017-09-12
Applicant: 复旦大学
Abstract: 本发明属于大数据技术领域，具体为面向数据开放共享的数据模型及其运作系统。本发明的数据模型包括：为数据使用者提供开放数据的基本组成单元‑‑数据盒，包括数据盒的数据描述、数据操作和数据约束，以及数据盒的性质；封装在数据盒中的数据防泄漏和数据权益保护机制，并设有供外部软件使用的接口；数据盒的计量与定价，即根据数据使用者提出的要求和目标，计算数据使用者所需数据盒的数量和时间等，并进行定价。本发明的这种数据资源组织形式提升了数据的独立性、可用性和可控性，实现了数据自治，使得数据拥有者在数据开放的同时又能保证其数据稀缺性不丧失和隐私不泄露，有效地支持数据开放共享。
-
公开(公告)号：CN111985623A
公开(公告)日：2020-11-24
申请号：CN202010882758.8
申请日：2020-08-28
Applicant: 复旦大学
IPC: G06N3/04 , G06N3/08 , G06K9/62 , G06F16/906
Abstract: 本发明提供了基于最大化互信息和图神经网络的属性图群组发现方法，其特征在于，包括步骤：利用预先训练好的图神经网络对待处理矩阵进行表征学习得到初步节点表征，并对待处理属性图进行互信息计算得到全局互信息值；利用软聚类将初步节点表征划分到多个群组的中心得到分配矩阵；根据分配矩阵对原始群组进行模块度以及待处理属性图内的互信息计算得到模块度值以及群组互信息；根据模块度值、群组互信息以及全局互信息值计算总损失，并根据该总损失通过梯度回传对图神经网络进行迭代更新直到得到群组发现结果。本方法可以实现端到端的更新图神经网络不需要分步实现，并且能更好地捕捉节点属性关系，得到准确性更高的群组发现结果。
-
公开(公告)号：CN106874668B
公开(公告)日：2020-05-12
申请号：CN201710077612.4
申请日：2017-02-14
Applicant: 复旦大学
Abstract: 本发明属于数据挖掘、医疗信息和大数据技术领域，具体为一种基于全记忆事件序列挖掘模型的用药分析方法。本发明方法将原始用药数据转换成类别型的用药事件发生序列，把所有类别型用药事件序列的每个用药事件节点转换为欧式空间的多维向量表示；然后根据要预测的用药事件的前一个节点来对所有历史记录的事件加权求和，形成预测事件的记忆的特征表示，作为预测下一个事件向量的分类器的标准输入，把要预测的事件的多维向量表示作为输出，训练一个预测模型，再把欧式空间的多维向量映射回原来的类别型空间，使用所有用药事件序列训练；最后，对于新的用药事件序列，输入训练好的模型，用于预测未来事件。本方法能够利用尽可能多的数据来用于决策，从而减少决策的失误。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.02 seconds)
