公开(公告)号：CN119130492A

公开(公告)日：2024-12-13

申请号：CN202411234924.8

申请日：2024-09-04

Applicant: 浙江大学宁波“五位一体”校区教育发展中心

Inventor： 王慧琼 ,  孙立 ,  宋明黎 ,  宋杰 ,  冯尊磊

IPC: G06Q30/018 ,  G06Q50/50 ,  G06F18/213 ,  G06F18/24 ,  G06F18/2135 ,  G06N3/048

Abstract: 一种针对快速变异信息的小样本电信反欺诈方法和装置，其方法包括：利用通用大模型构建特征抽取器；利用新数据收集支撑数据集；利用通用大模型收集支撑数据集的特征向量；获取支撑数据集的表征向量表达，组装特征矩阵；训练扩展小模型以适配新的数据风险。本发明首先收集小样本的支持数据集，通常为几条至几十条不等，然后利用超大规模语言模型对支撑文本进行数值特征转换，保留文本语义的同时降低大样本的需求；接着在支撑文本的样例空间进行降维，保留对新风险识别精度最大贡献的维度，最后在新特征空间中训练小模型完成新风险的识别。本发明针对快速变异的电信反欺诈识别问题，提供一种可持续发展的可快速迭代的小样本电信欺诈风险识别方法。

公开(公告)号：CN118427720A

公开(公告)日：2024-08-02

申请号：CN202410300080.6

申请日：2024-03-15

Applicant: 浙江大学

Inventor： 宋明黎 ,  杨杰 ,  陈凯旋 ,  周屹赫 ,  刘顺宇

IPC: G06F18/243 ,  G06F18/27 ,  G06F18/213 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/08 ,  G06N5/01

Abstract: 基于可解释图神经树的电力系统暂稳判别方法和系统，其方法包含：S1.构建电网状态样本数据集；S2.对电网数据进行图表示与特征提取；S3.构建电网状态预测图卷积网络模型；S4.构建图神经网络可解释增强的决策树模型；S5.对决策树模型进行可视化渲染与可解释性增强；S6.根据模型进行电力系统判稳决策，实时监控和故障诊断，在电力系统实时监控和故障诊断应用中，模型接收来自电力系统的实时数据，输出暂稳判别结果。

公开(公告)号：CN118097378A

公开(公告)日：2024-05-28

申请号：CN202410053703.4

申请日：2024-01-15

Applicant: 浙江大学

Inventor： 宋明黎 ,  童鑫远 ,  韩佳琪

IPC: G06V10/96 ,  G06V10/764 ,  G06V10/26 ,  G06V10/82 ,  G06V10/44 ,  G06V10/25 ,  G06V10/766 ,  G06V10/80 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08

Abstract: 面向应用侧资源受限场景的计算机视觉多任务模型方法，计算机视觉多任务模型包括一个特征提取器、一个特征金字塔网络以及多个预测器，计算机视觉多任务包括图像分类、目标检测、语义分割、深度估计，预测器与计算机视觉多任务一一对应；包括：通过统一的数据增强方法对计算机视觉多任务中的每个任务所用训练数据集进行处理，以获取每个所述计算机视觉任务的训练数据；通过目标检测任务对应的训练数据，对基于特征金字塔的计算机视觉多任务模型的特征提取器、特征金字塔网络以及目标检测任务对应的预测器进行预训练；通过每个计算机视觉任务对应的训练数据，对基于特征金字塔的计算机视觉多任务模型进行训练。

公开(公告)号：CN117011525A

公开(公告)日：2023-11-07

申请号：CN202310880957.9

申请日：2023-07-18

Applicant: 浙江大学

Inventor： 宋杰 ,  陈琳 ,  周林云 ,  冯尊磊 ,  宋明黎

IPC: G06V10/26 ,  G06V10/40 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0985 ,  G06N3/0495

Abstract: 一种面向视觉大模型的解耦优化算法和系统，其算法包括以下步骤：1)提取类别语义特征；2)类别语义特征优化；3)根据类别语义信息压缩模型参数。本发明找到与特定任务相关的类别语义信息，取代交互式大模型的提示信息，完成特定任务解耦，同时通过增加硬编码，从而完成对模型架构的缩减与整体网络性能的优化。

公开(公告)号：CN116842708A

公开(公告)日：2023-10-03

申请号：CN202310718754.X

申请日：2023-06-16

Applicant: 浙江大学

Inventor： 冯尊磊 ,  杨旭 ,  宛袁玉 ,  宋杰 ,  宋明黎

IPC: G06F30/20 ,  G06F16/215 ,  G06F18/214 ,  G06F18/24

Abstract: 一种基于正则化的在线指数凹优化方法，包含：步骤1.收集公开数据集，对数据集进行数据清洗和分析；步骤2.对参数进行初始化设置；分别对四个参数进行初始化设置；步骤3.对获得的在线数据，根据学习到的模型给出决策，然后获得本轮基于真实标签与决策差异的损失；步骤4.根据损失函数信息做决策更新；决策更新主要分成两个部分：对每个损失函数中的指数凹部分执行ONS迭代、对正则化部分使用近端映射；步骤5.记录本轮学习到的参数，基于此得到一个模型，该模型用于步骤3中，然后重复步骤3和步骤4，对参数不断进行学习和更新，直至完成T轮博弈。本发明有能力利用的指数凹性来实现与ONS相同的遗憾界并达到正则化的效果。

公开(公告)号：CN116363418A

公开(公告)日：2023-06-30

申请号：CN202310240413.6

申请日：2023-03-06

Applicant: 之江实验室 ,  浙江大学

Inventor： 冯尊磊 ,  胡佳聪 ,  王一张 ,  程乐超 ,  贾志杰 ,  宋明黎

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82

Abstract: 本说明书公开了一种训练分类模型的方法、装置、存储介质及电子设备。本方法通过确定各子网络层对应的输入维度中的无效维度，确定了对分类模型的输出结果无效的各子网络层对应的无效维度上各计算节点输出的结果，根据这些输出的结果确定第一损失，根据基于训练样本标注确定的第二损失以及该第一损失，确定总损失，以总损失最小训练分类模型，减少了各子网络层对应的无效维度上各计算节点输出的结果对分类模型的输出结果的影响，提高了分类模型的分类准确性。

公开(公告)号：CN115660324A

公开(公告)日：2023-01-31

申请号：CN202211227530.0

申请日：2022-10-09

Applicant: 浙江大学

Inventor： 宋明黎 ,  罗伟 ,  刘顺宇

IPC: G06Q10/0631 ,  G06Q50/06 ,  H02J3/46 ,  G06N3/0464 ,  G06N3/092

Abstract: 基于图强化学习的电网多断面越限调控方法，首先，基于典型日构建一系列电网多断面越限数据集，并利用图卷积神经网络计算电网节点的嵌入矩阵，利用多层感知机计算断面任务的嵌入表示；根据节点嵌入和任务嵌入生成多断面任务归因图，用以指导智能体对发电机的调度行为；利用加权池化的方法提取电网图表示特征。然后，在基于竞争架构的深度Q网络基础上构建发电机调度强化学习框架，该框架根据电网图表示特征估计各动作的期望奖励值。最后，智能体通过该框架选择最合理的发电机调度动作，实现对电网多断面越限情景的调控。本发明还包括基于图强化学习的电网多断面越限调控系统。

公开(公告)号：CN115147462A

公开(公告)日：2022-10-04

申请号：CN202210806512.1

申请日：2022-07-08

Applicant: 浙江大学

Inventor： 孙立 ,  贝史涛 ,  张昊泽 ,  宋明黎

IPC: G06T7/277 ,  G06T5/00 ,  G06T7/00

Abstract: 本发明提供一种基于三维眼球模型和卡尔曼滤波的注视特征跟踪方法，能够提升视线追踪过程中特征提取的速度。所述方法包括下列步骤：1)检测部分输入图像序列的瞳孔特征和普尔钦斑特征的信息；2)根据特征构建三维眼球模型；3)基于卡尔曼滤波预测当前帧的眼球姿态；4)基于三维眼球模型计算当前预测的瞳孔和普尔钦斑的投影区域；5)适当扩大选区边缘并在其中检测当前帧的特征；6)重复上述步骤3)至5)，直至人眼视频帧序列输入结束。

公开(公告)号：CN110658818B

公开(公告)日：2020-08-21

申请号：CN201910934799.4

申请日：2019-09-29

Applicant: 浙江大学

Inventor： 王志伟 ,  李明 ,  宋明黎 ,  余娜 ,  胡文涛 ,  江大伟 ,  陈珂 ,  陈刚

IPC: G05D1/02 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种面向新型供电列车的多目标优化智能运行控制预测方法。由新型供电列车的静态动态大数据得到原始数据，参数化/正则化和归一化获得列车信息序列数据；利用列车信息序列数据中的局部数据得到理想条件下的列车运行状态数据；输入到长短期记忆网络中进行训练得到基础模型，将列车信息序列数据划分为多个部分，依次输入到基础模型中依次并再次进行训练得到了带有知识的基础模型；建立平方损失训练；真实采集的速度输入到带有知识的基础模型中进行预测输出获得下一时刻的牵引力。本发明不依赖大量数据，降低了训练数据量，得到符合现实列车运行数据分布的模型，提高了模型准确率并方便直接用于现实应用。

公开(公告)号：CN111178897A

公开(公告)日：2020-05-19

申请号：CN201911309071.9

申请日：2019-12-18

Applicant: 浙江大学

Inventor： 宋明黎 ,  郑铜亚

IPC: G06Q20/40 ,  G06K9/62

Abstract: 在不平衡数据集上进行快速特征学习的代价敏感的动态聚类方法，首先将不平衡数据的训练集全体送入前馈神经网络中，得到输出层之前的样本表征；设定聚类的类别数目K，将属于数据集大类的样本表征取出，用K-Means方法将这批样本聚为K类；利用得到的这批样本的聚类标签作为训练的类别标签，计算代价敏感系数下的神经网络损失，利用反向传播训练神经网络；迭代计算下一批样本表征，并设置K-Means的初始化标签为上一轮大类样本的K-Means标签，继续训练过程直到收敛。能够较好地解决不平衡数据集训练中出现的模型偏置情况，在大类和小类的分类结果上均表现良好，用于金融数据中不平衡数据的分类学习。