-
公开(公告)号：CN114553394A
公开(公告)日：2022-05-27
申请号：CN202210424254.0
申请日：2022-04-22
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 暨南大学
Abstract: 本发明公开了基于多密钥全同态方案的补码运算器及运算方法，运算器包括多密钥全同态加法运算器、多密钥全同态减法运算器、多密钥全同态乘法运算器和多密钥全同态除法运算器；所述多密钥全同态加法器由多密钥全同态0‑类加法器构成；所述多密钥全同态减法器由多密钥全同态0‑类加法器与多密钥全同态取非器构成；所述多密钥全同态乘法器由多密钥全同态0‑类加法器、多密钥全同态1‑类加法器、多密钥全同态2‑类加法器和多密钥全同态与门构成；所述多密钥全同态除法器由多密钥全同态取补器、多密钥全同态CAS单元与多密钥全同态异或门构成。本发明构造了任意位的补码整数四则运算器，能够支持任意位的正负整数之间的四则运算，大大提高了MKTFHE方案的实用性。
-
公开(公告)号：CN114553394B
公开(公告)日：2022-08-16
申请号：CN202210424254.0
申请日：2022-04-22
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 暨南大学
Abstract: 本发明公开了基于多密钥全同态方案的补码运算器及运算方法，运算器包括多密钥全同态加法运算器、多密钥全同态减法运算器、多密钥全同态乘法运算器和多密钥全同态除法运算器；所述多密钥全同态加法器由多密钥全同态0‑类加法器构成；所述多密钥全同态减法器由多密钥全同态0‑类加法器与多密钥全同态取非器构成；所述多密钥全同态乘法器由多密钥全同态0‑类加法器、多密钥全同态1‑类加法器、多密钥全同态2‑类加法器和多密钥全同态与门构成；所述多密钥全同态除法器由多密钥全同态取补器、多密钥全同态CAS单元与多密钥全同态异或门构成。本发明构造了任意位的补码整数四则运算器，能够支持任意位的正负整数之间的四则运算，大大提高了MKTFHE方案的实用性。
-
公开(公告)号：CN118280435A
公开(公告)日：2024-07-02
申请号：CN202410311424.3
申请日：2024-03-19
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本发明公开了基于异构网络的癌症驱动基因挖掘和可解释性分析方法，方法包括：构建多组学异构网络，并通过所述多组学异构网络提取节点初始特征；通过沿特定元路径随机游走的方式构建信息传递子图，并进行基于元路径的异构网络特征提取，得到基因节点的表示向量；将基因节点的表示向量输入多层线性分类器，利用所述多层线性分类器进行节点分类，输出癌症驱动基因的分析结果。本发明通过包含多头注意力和自注意力机制的网络表征算法计算元路径内部的表示向量，以及通过全局注意力的方式计算每种元路径对于分类问题的贡献权重，可以得到一个鲁棒性更强效果更好的癌症驱动基因预测结果。
-
公开(公告)号：CN119129640A
公开(公告)日：2024-12-13
申请号：CN202411056914.X
申请日：2024-08-02
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06N3/008 , G06N3/0455 , G06N3/092
Abstract: 本发明公开了一种基于置换偏置与对比解码的智能体动作预测方法，所述方法包括：构建策略生成模型，包括Encoder模块和Decoder模块，获取局部观测向量和动作序列，将局部观测向量输入Encoder模块进行处理，得到智能体的观测表示，并将观测表示传递给Decoder模块，根据观测表示得到观测的智能体状态值函数；将动作序列输入到Decoder模块与观测表示一起进行解码，得到隐向量，将隐向量进行变换得到具有动作置换性的智能体动作集合，将具有动作置换性的智能体动作集合进行对比探索解码，得到执行动作，根据智能体状态值函数和执行动作计算总损失函数，得到目标模型，使用目标模型预测目标智能体的行为。本发明提高了对于目标智能体动作的预测精度。
-
公开(公告)号：CN115497555B
公开(公告)日：2024-01-05
申请号：CN202210980663.9
申请日：2022-08-16
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本申请公开了一种多物种蛋白质功能预测方法、装置、设备及存储介质，属于生物信息技术领域，该方法包括：将多物种蛋白质的标签矩阵和特征矩阵输入预先构建的跨物种异构网络；在所述跨物种异构网络的每个传播层传播所述标签矩阵和所述特征矩阵，获得传播后的目标标签矩阵和目标特征矩阵；将所述目标标签矩阵和所述目标特征矩阵进行加权获得预测得分矩阵，并基于所述预测得分矩阵获得所述多物种蛋白质(56)对比文件WO 2021041199 A1,2021.03.04WO 2022104265 A1,2022.05.19宋宝兴等“.基于蛋白质相互作用网络挖掘物种内的功能相似蛋白质”《.生物物理学报》.2011,第27卷(第9期),第789-800页.潘怡等.“加权优先级网络在蛋白质功能预测中的应用研究”《.小型微型计算机系统》.2017,第38卷(第9期),第1977-1982页.黄佳“.基于拓扑和序列的多生物网络比对算法的研究”《.《中国优秀硕士学位论文全文数据库》.2022,(第1期),第A006-454页.chen lei等.“Identifying novel proteinphenotype annotations by hybridizingprotein-protein interactions and proteinsequence similarities”《.Moleculargenetics and genomics : MGG》.2016,第291卷(第2期),第913-934页.H Wang等“.Combining graphconvolutional neural networks and labelpropagation”《.ACM trans》.2021,第40卷(第4期),第1-27页.
-
Patent Agency Ranking
公开(公告)号：CN117077785A
公开(公告)日：2023-11-17
申请号：CN202310711024.7
申请日：2023-06-15
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06N5/04
Abstract: 本发明属于机器博弈辅助决策优化技术领域，公开了一种机器博弈辅助决策优化方法及系统，所述机器博弈辅助决策优化系统包括：博弈数据采集模块、博弈局势判断模块、博弈数据分析模块、决策生成模块、决策优化模块、决策反馈模块。本发明通过博弈数据分析模块能够减少当前节点收益确定的分析量，提高分析效率；同时，通过决策生成模块可以将博弈对局局势的决策过程划分为多个决策阶段，并利用当前决策模型完成决策的目的，无需根据不同博弈对局局势的玩法编写复杂的规则，达到了降低决策方法的复杂度和成本，提高决策空间灵活度的技术效果，进而解决了通过大量人力编制精细的规则进行博弈对局局势决策，导致决策方法复杂度和成本就高的技术问题。
-
公开(公告)号：CN115497555A
公开(公告)日：2022-12-20
申请号：CN202210980663.9
申请日：2022-08-16
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本申请公开了一种多物种蛋白质功能预测方法、装置、设备及存储介质，属于生物信息技术领域，该方法包括：将多物种蛋白质的标签矩阵和特征矩阵输入预先构建的跨物种异构网络；在所述跨物种异构网络的每个传播层传播所述标签矩阵和所述特征矩阵，获得传播后的目标标签矩阵和目标特征矩阵；将所述目标标签矩阵和所述目标特征矩阵进行加权获得预测得分矩阵，并基于所述预测得分矩阵获得所述多物种蛋白质的功能预测得分。如此，基于跨物种异构网络上实现了标签与特征的同时传播，提高了多物种蛋白质功能的预测的准确性和有效性。
-
公开(公告)号：CN113553610B
公开(公告)日：2021-12-31
申请号：CN202111103182.1
申请日：2021-09-22
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本发明公开了一种基于同态加密和可信硬件的多方隐私保护机器学习方法，包括：将私钥sk发送给各个数据方和可信硬件R；服务器S整合各个数据方上传的密文数据得到密文数据集；服务器S在密文数据集的基础上，将普通机器学习算法中的线性运算替换为同态加法和同态乘法，在密文状态下进行机器学习建模；服务器S在完成密文下的机器学习建模后，将加密的模型密文下发给各个数据方；各个数据方利用私钥解密模型密文，得到由各个数据方的数据D训练得到的模型。本发明利用全同态加密的性质、以及依靠可信硬件实现的模拟自举和执行激活函数功能，能够获得与对未加密数据进行机器学习训练的模型一致的准确率。
-
公开(公告)号：CN118747507B
公开(公告)日：2025-02-11
申请号：CN202410860737.4
申请日：2024-06-28
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本发明公开了一种基于参数高效模块和多教师知识蒸馏的知识蒸馏方法，所述方法包括：获取下游任务数据集，根据预先构建的参数高效性多教师模型生成多个子教师模型，对每个子教师模型进行微调，得到多个微调子教师模型；根据下游任务数据集对待训练的学生模型进行训练，根据下游任务数据集和多个微调子教师模型生成该次训练的监督信号，根据监督信号和学生模型在该次训练过程中得到的训练结果，更新参数，当达到预设训练条件时，得到并输出训练完成的学生模型；获取目标处理数据，将目标处理数据输入到训练完成的学生模型，输出目标结果。本发明可以在训练学生模型时兼顾效率和准确率，从而通过训练好的学生模型生成准确的目标结果。
-
公开(公告)号：CN119338013A
公开(公告)日：2025-01-21
申请号：CN202411887056.3
申请日：2024-12-20
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06N5/04 , G06V10/774
Abstract: 本发明涉及机器学习技术领域，公开了一种多模态模型视觉感知能力探测方法及终端，所述方法包括：获取多张检测图像，检测每张所述检测图像之中包含的对象；针对每张所述检测图像，均根据包含的对象构建正向提示答案对和负向提示答案对，以构成探测数据集；获取待探测模型，根据所述探测数据集探测所述待探测模型的性能，输出探测结果。本发明通过针对每个图像构建正向提示答案对和负向提示答案对，不仅简化了问题的构造，同时也要求模型在理解图像内容及其语境时不能仅依赖随机猜测，迫使模型需要正确理解图案和问题才能得到较好的探测结果，有效解决了在进行探测时，对部分模型无法准确的衡量模型的能力的问题。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.046 seconds)
