-
公开(公告)号：CN115455162A
公开(公告)日：2022-12-09
申请号：CN202211113668.8
申请日：2022-09-14
Applicant: 东南大学
Abstract: 本发明公开了一种层次胶囊与多视图信息融合的答案句子选择方法与装置。首先，对互联网中的包含多个答案的问题文本进行采集和预处理；接着，采用层次胶囊网络，通过其渐进聚合的特征，对编码输出的表征进行信息聚合和单词聚合，保证了有效信息的准确传递，且能使用同一特征进行参数传递；然后，为了解决微调步骤的不稳定性和使用预训练模型的最终输出仅能预测单一标签的问题，通过使用多视图信息融合方法，计算整个BERT编码中间层输出的权重来对学习信息进行加权。本发明能够改善以往答案句子选择方法中忽略了模型内部多层中间输出对答案句子选择的影响、仅能预测单一结果等问题，进而提升答案句子选择的准确性和高效性。
-
公开(公告)号：CN116521857A
公开(公告)日：2023-08-01
申请号：CN202310346860.X
申请日：2023-04-03
Applicant: 东南大学
Abstract: 本发明公开了基于图形增强的问题驱动抽象式多文本答案摘要方法，所述方法包括以下步骤：步骤1：社区型问答数据采集与清洗；步骤2：数据规范化；步骤3：模型构建；步骤4：模型测试与答案摘要生成，本发明能够改善传统的多文本答案摘要生成方法中缺少问题约束，难以捕捉答案之间的建模关系等问题，同时利用图编码信息进而提升生成摘要的可读性、流畅性和简洁性。
-
Patent Agency Ranking
公开(公告)号：CN115065678A
公开(公告)日：2022-09-16
申请号：CN202210362289.6
申请日：2022-04-07
Applicant: 东南大学
Abstract: 本发明公开了一种基于深度强化学习的多智能设备任务卸载决策方法，用于解决物联网环境下具有多个智能终端设备的云边端融合网络中混合任务卸载和资源分配问题，该方法以数据传输速率作为性能评价指标。首先，获取该环境中每个智能终端设备以及环境的配置信息，然后建立以最大数据传输速率为目标的多智能终端设备卸载模型，最后基于深度强化学习方法求解最优任务卸载方案，再依据总体最优卸载方案进行任务卸载。本发明能够有效解决多接入边缘计算(MEC)网络中多智能设备混合任务卸载和资源分配的问题。
-
公开(公告)号：CN118488495A
公开(公告)日：2024-08-13
申请号：CN202410597446.0
申请日：2024-05-14
Applicant: 东南大学
IPC: H04W28/084 , H04W28/082 , H04W28/08 , H04L67/10 , H04L67/12
Abstract: 本发明公开了一种并行分布式任务卸载与资源管理方法，用于解决边缘计算网络环境下具有多个智能体的离散‑连续混合动作空间中进行任务卸载和资源分配的复杂决策问题，该方法以能耗和时间延迟作为性能评价指标。首先，获取该环境中每个智能体以及多接入边缘计算(MEC)环境的状态信息，然后建立以最小能耗和时间延迟为目标的多边缘服务器任务卸载和资源分配模型，最后基于多边缘服务器深度强化学习方法求解最优方案，再依据总体最优方案进行任务卸载和资源管理。本发明能够有效解决MEC网络中多边缘服务器协作任务卸载和资源分配的问题。
-
公开(公告)号：CN117874220A
公开(公告)日：2024-04-12
申请号：CN202410055343.1
申请日：2024-01-15
Applicant: 东南大学
IPC: G06F16/34 , G06F16/31 , G06F40/279 , G06F40/216 , G06F40/30 , G06N3/0455 , G06N3/042 , G06N3/084
Abstract: 本发明公开了一种基于关键事件的多文档摘要生成方法，首先通过互联网采集同一主题下的多篇媒体文章，并在文档集合基础上按人工规则生成标准摘要构造出样本数据集；然后对数据集进行预处理，生成训练模型的输入数据；接着构建基于关键事件融合的序列到序列多文档摘要生成模型；最后基于训练完毕后的模型进行输出模型的构建，并利用输出模型对待进行摘要的文档集合进行自动摘要生成。本发明利用事件抽取技术提取出多个文档中的包含动静态信息的关键事件来挖掘出多篇文档的关系，能够多层次地对摘要生成过程进行引导，从而提高摘要结果的信息覆盖度与事实一致性，突出原文中的事件信息，增强摘要逻辑性。
-
公开(公告)号：CN116582949A
公开(公告)日：2023-08-11
申请号：CN202310617535.2
申请日：2023-05-29
Applicant: 东南大学
Abstract: 本发明公开了一种融合安全决策与计算加速的资源调度方法，方法包括以下步骤：步骤1：计算本地任务的处理时间与能耗；步骤2：计算通信过程的延迟与能耗；步骤3：计算用户QoE需求参数；步骤4：确定用户的安全决策。步骤5：资源调度策略优化求解。本发明综合考虑资源分配、任务卸载、用户QoE需求和数据安全性，加强任务卸载过程的数据安全性，并通过使用计算加速作为量化QoE需求的指标，进而使得方法更加贴合用户真实的体验过程，满足用户愈发敏感的体验质量要求，进而寻求时延、能耗、QoE和数据安全性这四者之间的权衡。
-
公开(公告)号：CN115529632A
公开(公告)日：2022-12-27
申请号：CN202210635941.7
申请日：2022-06-07
Applicant: 东南大学
Abstract: 本发明公开了一种面向边缘计算的任务卸载和资源分配方法，该方法包括中继选择、卸载决策和资源分配三个方面，用于解决物联网环境下移动用户的任务延迟和能耗问题，首先，引入虚拟骨干网架构，通过连通控制集为用户提供高效的多跳卸载服务，然后，提出了一种基于连通控制集的深度强化学习算法，利用该算法找到从移动用户到移动边缘计算服务器的最短路径，此外，基于卸载决策和资源分配之间的高度耦合关系，本发明设计了一个DLIO算法来解决卸载和资源分配的联合优化问题，以最小化系统成本为优化目标，本发明能够有效解决泛在边缘物联网系统中移动用户任务卸载和资源分配的问题。
-
-
-
-
-
-
Search Results
7
records
(took 0.016 seconds)
