公开(公告)号：CN117333239A

公开(公告)日：2024-01-02

申请号：CN202311050997.7

申请日：2023-08-21

Applicant: 南京财经大学

Inventor： 孙宏亮 ,  许品 ,  曹杰 ,  张志旺 ,  陶海成 ,  朱桂祥

IPC: G06Q30/0282 ,  G06Q30/0601 ,  G06N3/047 ,  G06N3/084 ,  G06N3/0895

Abstract: 本发明公开一种基于自适应多频谱滤波的图神经网络电商异常检测方法，获取用户评论内容特征和用户评论行为特征；将对同一商品构造用户‑评论图结构；基于伯恩斯坦多项式分别学习得到图的低通和高通滤波器，得到图中节点的低频和高频信号表示；基于固定的带通滤波器，得到图中节点的带通信号表示；使用注意力机制，融合得到的低通、带通、和高通信号，通过注意力损失函数，为每个节点自适应的学习出不同频率信号占该节点最终节点表示的比重；使用softmax层计算最终的节点表示，得到图神经网络模型的预测结果，并根据损失函数，计算节点的分类损失，更新模型参数。本发明缓解了以往的方法会导致的过平滑问题，提升了对电商交易网络中异常节点的识别率。

公开(公告)号：CN115688035A

公开(公告)日：2023-02-03

申请号：CN202211278394.8

申请日：2022-10-19

Applicant: 江苏电力信息技术有限公司 ,  南京财经大学

Inventor： 赵琳 ,  王惠 ,  张震宇 ,  冯曙明 ,  史伟 ,  王数 ,  沈超 ,  丁罕 ,  曹杰 ,  陶海成 ,  缪佳伟

IPC: G06F18/2433 ,  G06F18/241 ,  G06F18/214 ,  G06N3/0442 ,  G06N3/0455 ,  G06N3/09

Abstract: 本发明公开了一种基于自监督学习的时序电力数据异常检测方法。首先构建基于门控循环神经网络自编码器的多任务的异常检测模型，包括样本间对比任务、重构任务和样本内预测任务；获取企业监测的用电量的时间序列数据集，预处理后，对每一个传感器的时间序列数据根据周期性规律切分成小样本，作为输入训练异常检测模型；将待检测的数据进行预处理并根据周期性规律切分输入异常检测模型，并输出重构任务损失与样本内预测任务损失，将二者输入异常评分模型得出异常评分；判断异常评分是否超过阈值，若超过，则为异常，否则视为正常。本发明将预测任务、对比任务和重构任务三个任务相结合，可以更好地表征时间序列数据，从而降低误报率。

公开(公告)号：CN116361640A

公开(公告)日：2023-06-30

申请号：CN202310024568.6

申请日：2023-01-09

Applicant: 江苏电力信息技术有限公司 ,  南京财经大学

Inventor： 栾宁 ,  张震宇 ,  赵琳 ,  冯曙明 ,  曹杰 ,  王惠 ,  陶海成 ,  缪佳伟

IPC: G06F18/214 ,  G06N3/049 ,  G06N3/08 ,  G06N3/0464

Abstract: 本发明公开了一种基于分层注意力网络的多变量时间序列异常检测方法，首先将采用双向门控循环单元Bi‑GRU提取时间和序列的特征，然后采用图注意力网络GAN将变量和时间序列构建成一个相似图，图的节点代表序列中的变量，图的边代表变量之间的关系，然后在图上构建第一个图注意力层，提取不同变量之间关系的特征表示即变量学习，在图上构建第二个图注意力层，学习变量和序列之间的相互作用即序列学习，最后采用自动编码器重构时间序列，计算损失值进行异常序列检测。本发明能够有效检测多变量时间序列中的异常，并且实验结果优于当前最先进的方法。

公开(公告)号：CN113570301A

公开(公告)日：2021-10-29

申请号：CN202110727304.8

申请日：2021-06-29

Applicant: 南京财经大学

Inventor： 王有权 ,  曹杰 ,  韩金广 ,  陶海成 ,  朱桂祥

IPC: G06Q10/08 ,  G06Q50/26 ,  G06K9/62

Abstract: 本发明公开了一种基于半监督学习的粮库清仓查库欺诈行为检测方法，包括两个步骤，第一步骤为粮库欺诈行为特征产生，构建了6个判别是否存在欺诈行为的特征；第二步骤主要参数为基于半监督学习的粮库清仓查库欺诈行为检测方法设计，然后，针对粮库清仓查库中存在大量无标记粮库和少量的标记粮库特征数据的这一问题，提出了基于半监督ExpectationMaximization(EM)算法的粮库清仓查库欺诈行为检测方法；最后可以通过EM算法不断迭代来改进分类器的效果，从而提升了粮库清仓查库欺诈行为检测的效果。

公开(公告)号：CN103914877A

公开(公告)日：2014-07-09

申请号：CN201310007032.X

申请日：2013-01-09

Applicant: 南京理工大学 ,  南京财经大学

Inventor： 曹杰 ,  毛波 ,  伍之昂 ,  王有权 ,  陶海成 ,  方昌健

IPC: G06T17/20 ,  G06T7/00

Abstract: 本发明首先利用语义网对三维模型特别是三维城市模型或三维商品展示模型进行分割，并将分割后的模型归为群组。对每个群组生成其Delaunay三角网，以检测三维场景中模型间的相邻关系，对相邻节点，实施扩展合并算法，并构建多细节层次模型GroupTree。在动态可视化过程中，通过监测当前用户视点与群组之间的距离以及视线与群组之间角度，计算所需要的细节层次，并动态加载三维模型群组GroupTree中的相应节点。从而实现对模型的动态综合简化，提高可视化效率。

公开(公告)号：CN116861964A

公开(公告)日：2023-10-10

申请号：CN202310765861.8

申请日：2023-06-27

Applicant: 南京财经大学 ,  南京邮电大学

Inventor： 曹杰 ,  岳东 ,  丁达 ,  陶海成 ,  缪佳伟 ,  魏祥森

IPC: G06N3/0475 ,  G06N3/094 ,  G06N3/0455 ,  G06N3/048 ,  G06N3/084 ,  G06N3/088 ,  G06F18/2431 ,  G06V20/40 ,  G06V10/82 ,  G06V10/764

Abstract: 一种基于双判别器生成式对抗网络的异常数据检测方法，S1、输入训练数据Dt到自动编码器中获得重构数据Dre，将获得的重构数据和原始数据输入到过滤器中，基于重构数据和原始数据之间的重构误差计算伪标签，通过伪标签将数据划分为伪正常数据和伪异常数据；S2、将S1中获得的伪异常数据输入到动态字典中，动态字典在每次迭代中将存储的数据和输入的数据对比，筛选出异常数据保存到动态字典中；S3、将S2中获得的伪正常数据输入到正常判别器中；S4、根据当前训练的步骤设计自适应权重系数，基于自适应权重系数计算重构误差的损失函数；S5、根据S3得到的两个判别器和步骤S4得到的重构误差损失函数，并迭代更新，得到生成器。

公开(公告)号：CN103744933A

公开(公告)日：2014-04-23

申请号：CN201310746489.2

申请日：2013-12-31

Applicant: 南京理工大学 ,  南京财经大学

Inventor： 曹杰 ,  卜湛 ,  伍之昂 ,  王有权 ,  毛波 ,  陶海成

IPC: G06F17/30

CPC classification number: G06Q50/01

Abstract: 本发明公开一种基于并行化模块度优化的社区发现方法，首先将包含N个节点的网络初始化为N个社区，即每个节点为一个独立的社区，并初始化每个社区“局域世界”中社区对的模块度增益；采用并行化的处理机制，从每个社团的“局域世界”中寻找具有最大模块度增益的社区对，将其合并为同一个社区，并对与新社区相连接的社区对的模块度增益进行更新；重复步骤二直到网络中的社区结构不发生改变。本发明采用贪婪算法对网络进行社区划分，通过使用并行的方式和高性能的数据结构，处理时间非常快。本发明适用于大规模稠密网络社区结构的自动检测，社交网络的好友推荐系统等诸多领域。