-
公开(公告)号：CN119694398A
公开(公告)日：2025-03-25
申请号：CN202411587415.3
申请日：2024-11-07
Applicant: 鹏城实验室
IPC: G16B40/00 , G16B15/20 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本申请实施例提供多维数据特征提取方法、装置、设备和存储介质，涉及数据处理技术领域。该方法获取离散的蛋白质残基数据和连续的蛋白质结构数据，然后确定离散网络参数和连续网络参数，将蛋白质残基数据和蛋白质结构数据作为初始输入数据输入连续离散卷积神经网络模型，利用连续离散卷积层根据离散网络参数和连续网络参数更新卷积核参数，基于更新后的卷积核参数对初始输入数据进行特征提取，得到多维表征输出数据。利用连续离散卷积层根据离散网络参数和连续网络参数将连续卷积和离散卷积的特征提取过程进行融合，利用更新后的卷积核参数对多维输入数据进行特征提取，提升多维数据的特征提取结果准确性。
-
公开(公告)号：CN119649044A
公开(公告)日：2025-03-18
申请号：CN202411756602.X
申请日：2024-11-29
Applicant: 鹏城实验室
IPC: G06V10/40 , G06F18/213 , G06F18/22 , G06N3/0895
Abstract: 本申请公开了基于多模态对齐的图文问答方法、系统、电子设备及介质，方法包括：响应于对话指令，获取当前的对话回合对应的场景图像以及问题文本，并确定场景图像对应的初始权重；获取预设的多模态特征对齐模型的历史图像特征集合和历史文本特征集合；将场景图像以及问题文本输入特征提取模块进行特征提取，输出图像特征以及文本特征；将图像特征和初始权重合并至历史图像特征集合，得到图像编码集合，并将文本特征合并至历史文本特征集合，得到对话编码集合；通过权重匹配模块对图像编码集合和对话编码集合进行语义对齐；根据语义对齐后的目标图像编码特征生成回复文本。在本发明实施例中，能够将图像特征与文本数据有效结合，生成精确回答。
-
公开(公告)号：CN119647532A
公开(公告)日：2025-03-18
申请号：CN202411587430.8
申请日：2024-11-07
Applicant: 鹏城实验室
IPC: G06N3/0495 , G06N3/045 , G06N3/084 , G16B40/00 , G16B15/20
Abstract: 本申请实施例提供等变扩散模型的量化训练方法、装置、设备和存储介质，涉及神经网络技术领域。该方法将校准样本输入初始等变扩散模型中进行数据处理，获取初始等变扩散模型中注意力模块的初始输出数据，基于校准样本的样本长度和时间步长生成浮点权重序列对应的量化权重序列，根据量化权重序列更新注意力模块得到更新等变扩散模型，将校准样本输入更新等变扩散模型进行数据处理，获取量化注意力模块对应的量化输出数据，根据量化输出数据、初始输出数据、浮点权重序列和量化权重序列计算总损失值，根据总损失值得到训练后的量化等变扩散模型。基于样本长度和时间步长生成量化权重，在保持等变性的前提下提升量化模型的数据生成质量。
-
公开(公告)号：CN118536584A
公开(公告)日：2024-08-23
申请号：CN202410599900.6
申请日：2024-05-15
Applicant: 鹏城实验室
Abstract: 本申请实施例提供了一种知识图谱优化方法及装置、电子设备及存储介质，涉及人工智能技术领域。该方法包括：向大语言模型输入关于第一实体的第一提问语和关于第二实体的第二提问语，分别得到第一语义描述和第二语义描述，从而确定第一实体和第二实体的第一相似度；从知识图谱中获取待检三元组；根据待检三元组，生成头实体语义表征、头实体结构表征、尾实体语义表征、尾实体结构表征和关系表征，从而确定待检三元组的置信度；根据第一相似度对第一实体和第二实体进行实体合并处理，以及，根据置信度对知识图谱中相应待检三元组对应的目标关系链路进行更新处理。本申请实施例能够提高了知识图谱的优化效率，减少了知识图谱噪声对模型性能的影响。
-
公开(公告)号：CN118535129A
公开(公告)日：2024-08-23
申请号：CN202410600527.1
申请日：2024-05-15
Applicant: 鹏城实验室
Abstract: 本申请实施例提供时序信号生成方法、装置、设备和存储介质，涉及信号处理技术领域。该方法将时序条件参数输入预先训练的高斯点染模型，基于时序条件参数得到每个二维高斯椭圆面的协方差矩阵，将二维高斯椭圆面的椭圆中心进行投影，得到投影变换矩阵，基于投影变换矩阵和协方差矩阵计算得到每个二维高斯椭圆面的投影透明度，计算每个时序采样点对应的至少一个目标高斯椭圆面，根据投影透明度对目标高斯椭圆面进行排序，根据排序结果计算时序采样点对应的信号幅值，基于信号幅值得到目标时序信号。对应的高斯点染模型的计算过程简单，计算所需参数更少，可以在较少的计算资源下较快地生成时序信号，提升时序信号的生成效率。
-
Patent Agency Ranking
公开(公告)号：CN118520294A
公开(公告)日：2024-08-20
申请号：CN202410641914.X
申请日：2024-05-22
Applicant: 鹏城实验室
IPC: G06F18/214 , G06N5/022 , G06F16/332 , G06N3/045 , G06N3/09
Abstract: 本申请实施例提供了知识问答模型训练方法、知识问答方法及相关装置，通过根据多模态的医疗数据所形成的编码向量构建任务；根据任务中的编码向量的模态类型，将任务和指令提示信息按照多个模板分别转换为对应的指令形式，得到多个目标指令；根据目标指令对知识问答模型进行监督学习；通过端到端训练编码器，将不同模态的数据当做不同的语言，从而建立不同语言之间的联系，使得不同模态的数据之间互相通信；受益于不同模态数据的联合训练，这使得模型在遇到新的问题信息或指令的时候，可以根据指令的提示做出响应并生成答复信息，提升了模型的鲁棒性。
-
公开(公告)号：CN118039000A
公开(公告)日：2024-05-14
申请号：CN202410118637.4
申请日：2024-01-26
Applicant: 鹏城实验室
Abstract: 本申请涉及计算机技术领域，尤其是涉及一种分子性质预测方法、电子设备、计算机可读存储介质。根据本申请实施例的分子预测方法，需要先获取目标分子数据，并根据目标分子数据生成目标分子构象，再将目标分子构象分解得到目标分子层次图组信息，得到目标分子层次图组信息之后，将目标分子层次图组信息输入预训练的分子编码模型进行分子表征提取处理，得到目标分子表征，最后基于目标分子表征，确定目标分子性质。其中，通过对目标分子构象进行分解得到的目标分子层次图组信息能够有效地提取并处理目标分子的三维空间信息，从而提高分子编码模型提取分子表征的准确度，进而提高分子性质预测的准确度。
-
公开(公告)号：CN117133379A
公开(公告)日：2023-11-28
申请号：CN202310915547.3
申请日：2023-07-24
Applicant: 鹏城实验室
IPC: G16C20/70 , G16C20/50 , G16C20/90 , G06N20/00 , G06F18/214
Abstract: 本申请实施例提供了一种基于增量学习的分子表征学习方法、系统、设备及介质，属于机器学习技术领域。方法包括：构建第一分子表征模型；获取新增的分子数据集，对分子数据集的分子进行预处理，通过第一分子表征模型对分子进行表征提取得到与分子对应的第一原子表征、第二原子表征、第三原子表征；根据第一原子表征、第二原子表征构建对比学习损失值，根据第三原子表征构建基于上下文损失值，以及根据第一模型参数、第二模型参数构建正则项；根据对比学习损失值、基于上下文损失值、正则项构建联合损失值；根据联合损失值对第一分子表征模型进行迭代优化，得到完成预训练的第一分子表征模型。本申请能够降低模型的训练时间，以及降低算力的耗费。
-
公开(公告)号：CN112073517B
公开(公告)日：2023-07-11
申请号：CN202010941036.5
申请日：2020-09-09
Applicant: 鹏城实验室
IPC: H04L67/10 , H04L41/0823 , H04L41/14
Abstract: 本发明实施例提供了一种分布式数据传输优化方法、系统及相关设备，用于提高数据传输的效率。本发明实施例方法包括：获取多条训练数据及数据传输策略的超参数空间，每一条所述训练数据包含集群配置的一种数据传输策略及在执行对应的数据传输策略过程中所述集群在单位时间内的网络吞吐量参数，其中，每个初始策略包含一组预设参数字段以及各个预设参数字段的字段值；将所述多条训练数据及数据传输策略的超参数空间代入贝叶斯优化算法模型，计算得到当前训练数据下的最优数据传输策略。
-
公开(公告)号：CN112070238B
公开(公告)日：2021-02-23
申请号：CN202011245061.6
申请日：2020-11-10
Applicant: 鹏城实验室
Abstract: 本发明公开了一种准确的机器学习异步预测方法及系统、计算机可读存储介质，该方法包括以下步骤：在每次对模型进行训练后，将当前训练次数与相应的验证准确率记录在历史数据中并判断当前是否满足预测执行条件；若当前已满足所述预测执行条件，则采用层级式遍历拟合方法对当前历史数据进行曲线拟合；若已成功对所述当前历史数据进行曲线拟合，则计算每个拟合结果的误差值，并将误差值最小的拟合结果作为最终拟合结果；将待预测训练次数输入至所述最终拟合结果，计算后得到预测准确率，并利用所述预测准确率确定最终准确率。本发明实现了对机器学习模型准确率的精准预测，并且提高了对机器学习模型的准确率进行预测时的效率。
-
-
-
-
-
-
-
-
-
Search Results
54
records
(took 0.024 seconds)
