-
公开(公告)号：CN119670075B
公开(公告)日：2025-04-29
申请号：CN202510186398.0
申请日：2025-02-20
Applicant: 华侨大学
IPC: G06F21/55 , G06N3/0895 , G06F18/10 , G06F18/214 , G06F18/2433
Abstract: 本发明提供一种基于解耦学习过程的深度学习模型后门攻击防御方法，属于人工智能和深度学习领域，包括：利用被篡改的数据集，以最小化第一损失函数的方式对深度学习模型进行监督学习训练；分别计算每个干净样本和中毒样本的预测熵，对预测熵进行过滤得到干净子集；利用干净子集，以最大化第二损失函数的方式对监督学习训练后的深度学习模型进行主动遗忘训练；删除数据集中除干净子集之外的样本的标签得到无标签数据集，将无标签数据集与干净子集合并形成半监督数据集，利用半监督数据集对主动遗忘训练后的深度学习模型进行半监督微调训练。本发明的鲁棒性强，成本低，防御效果显著。
-
公开(公告)号：CN110532245A
公开(公告)日：2019-12-03
申请号：CN201910780228.X
申请日：2019-08-22
Applicant: 华侨大学
IPC: G06F16/21 , G06F16/22 , G06F16/242 , G06F16/245 , G06F16/28
Abstract: 本发明属于信息数据技术领域，公开了一种存储端数据处理模式中的算子问题信息处理方法，包括：分析大量典型的SQL语句，利用DBMS进行查询优化，得到优化后的查询计划；通过得到的查询计划构造算子间的前置和后置关系，并对算子间的前置和后置关系进行总结分析，明确在不同SQL语句中，算子之间的前置关系；计算各个算子的前置算子的种类与数量，评估某个算子是否适合下移以及下移后的效果；基于评估结果，将适合下移的算子下移到存储端SSD中，不适合下移的算子依然留在主机端执行。本发明通过明确算子的前置关系，确定可以下移到存储端的算子集合，能够有效减少总线的数据传输量，提高系统总体性能；对系统性能的优化有重要作用和必要性。
-
公开(公告)号：CN110532245B
公开(公告)日：2022-03-11
申请号：CN201910780228.X
申请日：2019-08-22
Applicant: 华侨大学
IPC: G06F16/21 , G06F16/22 , G06F16/242 , G06F16/245 , G06F16/28
Abstract: 本发明属于信息数据技术领域，公开了一种存储端数据处理模式中的算子问题信息处理方法，包括：分析大量典型的SQL语句，利用DBMS进行查询优化，得到优化后的查询计划；通过得到的查询计划构造算子间的前置和后置关系，并对算子间的前置和后置关系进行总结分析，明确在不同SQL语句中，算子之间的前置关系；计算各个算子的前置算子的种类与数量，评估某个算子是否适合下移以及下移后的效果；基于评估结果，将适合下移的算子下移到存储端SSD中，不适合下移的算子依然留在主机端执行。本发明通过明确算子的前置关系，确定可以下移到存储端的算子集合，能够有效减少总线的数据传输量，提高系统总体性能；对系统性能的优化有重要作用和必要性。
-
公开(公告)号：CN119670075A
公开(公告)日：2025-03-21
申请号：CN202510186398.0
申请日：2025-02-20
Applicant: 华侨大学
IPC: G06F21/55 , G06N3/0895 , G06F18/10 , G06F18/214 , G06F18/2433
Abstract: 本发明提供一种基于解耦学习过程的深度学习模型后门攻击防御方法，属于人工智能和深度学习领域，包括：利用被篡改的数据集，以最小化第一损失函数的方式对深度学习模型进行监督学习训练；分别计算每个干净样本和中毒样本的预测熵，对预测熵进行过滤得到干净子集；利用干净子集，以最大化第二损失函数的方式对监督学习训练后的深度学习模型进行主动遗忘训练；删除数据集中除干净子集之外的样本的标签得到无标签数据集，将无标签数据集与干净子集合并形成半监督数据集，利用半监督数据集对主动遗忘训练后的深度学习模型进行半监督微调训练。本发明的鲁棒性强，成本低，防御效果显著。
-
-
-
Search Results
4
records
(took 0.048 seconds)
