-
公开(公告)号：CN109829334B
公开(公告)日：2022-12-20
申请号：CN201910090761.3
申请日：2019-01-30
Applicant: 复旦大学
IPC: G06F21/62
Abstract: 本发明属于大数据安全技术领域，具体为基于区块链的数据盒配置、使用和记账方法及其运作系统。数据盒是为数据提供者提供数据开放接口以及数据使用者提供使用接口的基本单元。本发明利用数据盒为数据载体来保证开放共享的数据的可用性，利用区块链技术辅助数据盒的使用和记账，保证每一笔开放共享数据的使用可追踪且使用记录难篡改，保证数据盒使用权利的不可转移性、数据使用者的唯一性。本发明解决了数据开放共享过程中数据使用记录被篡改、数据盒被二次分发、数据盒实际使用权利或使用者发生转移的问题，帮助数据提供者在数据开放的同时又能保证其数据稀缺性不丧失和隐私不泄露，保证数据盒的使用真实有效，有效地支持数据开放共享。
-
公开(公告)号：CN111737535A
公开(公告)日：2020-10-02
申请号：CN202010573056.1
申请日：2020-06-22
Applicant: 复旦大学
IPC: G06F16/901 , G06F16/907 , G06F17/16 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种基于元结构和图神经网络的网络表征学习方法。本发明通过图神经网络和带权注意力机制来聚合邻居节点的信息，采用层次搜索算法生成候选的元结构集合，不需要预先定义元结构，并且相比于以往的元路径，可以考虑到节点之间更复杂的结构信息。本发明融合了图神经网络强的学习能力和元结构的丰富语义，有效解决了以往基于元路径的方法考虑结构单一以及需要依赖经验指定元结构的问题。并且，引入带权的注意力机制可以显式地考虑到元结构中的数量信息。进而生成比传统表征分类方式的结果更精确的最终节点，该最终节点可作为向量表征可用于后续的其他机器学习人物中。
-
公开(公告)号：CN113835847B
公开(公告)日：2023-11-24
申请号：CN202110915260.1
申请日：2021-08-10
Applicant: 复旦大学
Abstract: 本发明属于区块链技术领域，具体为基于快照的分布式账本平台事务处理优化方法。本发明方法包括：通过对分布式账本平台使用的EOV框架中事务进行细分，定义适用于EOV框架的区块链系统并发事务类型；分析分布式账本平台中的异常事务间的依赖关系，提出基于EOV框架的区块链系统事务可串行化调度策略，根据此调度策略进行事务重排序；在分布式账本平台上实现基于快照的事务处理优化，提升分析分布式账本平台在多种负载情况下的性能。实验表明，经过优化后的分析分布式账本平台在有效事务吞吐量与平均事务延迟上均优于原生Fabric和现有各种优化Fabric版本。
-
公开(公告)号：CN114091660A
公开(公告)日：2022-02-25
申请号：CN202111407500.3
申请日：2021-11-24
Applicant: 复旦大学
Abstract: 本发明属于大数据技术领域，具体为一种基于模仿学习和数据增强的两阶段半监督群组发现方法。本发明通过种子选择‑种子扩张来完成群组发现任务，即给定少部分已知群组，识别出网络中其余与之相似的群组；种子选择阶段，建模种子选择器为回归器，并在已知群组中提取参与群组数量不同的节点对，以成对方式训练回归器，选择位于潜在群组内的节点作为种子节点；种子扩张阶段，建模种子扩张器为决策器，并在已知群组中提取出种子扩张轨迹，使用模仿学习训练决策器，并针对扩张阶段序列决策容易发生级联错误问题，通过数据增强辅助决策器的训练，通过正确决策完成由一个种子节点到一个局部群组的扩张过程。本发明有效提升了输出群组结果的准确性。
-
公开(公告)号：CN109981337A
公开(公告)日：2019-07-05
申请号：CN201910109179.7
申请日：2019-02-04
Applicant: 复旦大学
IPC: H04L12/24
Abstract: 本发明属于大数据技术领域，具体为一种面向数据开放共享的多源数据对齐方法。本发明方法包括：通过聚合其邻居的特征来计算多个网络中每个结点的隐藏表示，这里的邻居包括同一网络中的相邻结点和跨网络中通过锚链接连接的锚结点；对多源网络的复杂结构进行建模；其中，采用注意力策略允许隐含地将不同的重要性分配给邻域内的不同结点，使网络之间通过锚链接转换更多有效信息，进一步丰富网络包含的信息，提升网络内部链接预测的性能。此外，对网络内部结点的有效建模，能够进一步提升跨网络链接的预测准确率。通过该方法，最后将多个来源的数据网络实现对齐。
-
Patent Agency Ranking
公开(公告)号：CN109545302A
公开(公告)日：2019-03-29
申请号：CN201811227004.8
申请日：2018-10-22
Abstract: 本发明属于医学图像处理技术领域，具体为一种基于语义的医学影像报告模板生成方法。本发明根据影像自动生成初步的成像报告，为没有经验的放射科医师撰写成像报告提供参考模板，降低放射科医师的工作强度与难度。放射科医师在撰写影像报告时会按照一定的诊断次序关注影像的不同区域，根据这些区域的特征做出相对应的影像学描述，本发明使用图像编码器与层次化的句子解码器架构，并引入了根据参照文本的注意力机制，模拟专业的放射科医师撰写成像报告的过程。相较于传统的基于模板的和基于规则的方法，本发明中提出的方法能生成自然语言化的成像报告，能够根据影像的特征捕捉到丰富的语义特征。
-
公开(公告)号：CN111737535B
公开(公告)日：2022-10-18
申请号：CN202010573056.1
申请日：2020-06-22
Applicant: 复旦大学
IPC: G06F16/901 , G06F16/907 , G06F17/16 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种基于元结构和图神经网络的网络表征学习方法。本发明通过图神经网络和带权注意力机制来聚合邻居节点的信息，采用层次搜索算法生成候选的元结构集合，不需要预先定义元结构，并且相比于以往的元路径，可以考虑到节点之间更复杂的结构信息。本发明融合了图神经网络强的学习能力和元结构的丰富语义，有效解决了以往基于元路径的方法考虑结构单一以及需要依赖经验指定元结构的问题。并且，引入带权的注意力机制可以显式地考虑到元结构中的数量信息。进而生成比传统表征分类方式的结果更精确的最终节点，该最终节点可作为向量表征可用于后续的其他机器学习人物中。
-
公开(公告)号：CN108376558B
公开(公告)日：2021-08-20
申请号：CN201810069685.3
申请日：2018-01-24
Applicant: 复旦大学
Abstract: 本发明属于医疗数据分析与智能处理技术领域，具体是一种多模态核磁共振影像病历报告自动生成方法。本发明采用深度学习模型，其中，在使用卷积神经网络提取影像特征的基础上引入注意力矩阵，通过点乘运算给不同位置的特征赋予不同的权重，得到不同注意力下的影像特征；接着使用一个长短期记忆循环神经网络，根据不同注意力下的影像特征生成病历报告中每个句子的主题向量；再使用另一个长短期记忆循环神经网络，根据句子的主题向量生成每一个词；然后将这些词连接起来得到最后的病历报告。本发明在没有病历模版的情况下自动生成医学影像的病历中的描述文本，对缓解放射科医生的工作以及搭建智能化的计算机辅助诊断系统有着深远的意义。
-
公开(公告)号：CN110175506A
公开(公告)日：2019-08-27
申请号：CN201910277665.X
申请日：2019-04-08
Applicant: 复旦大学
Abstract: 本发明属于机器学习技术领域，具体为一种基于并行降维卷积神经网络的行人重识别方法和装置。本发明方法包括：构建并训练基于并行降卷积核的卷积神经网络，作为特征提取模型；对已确定为待检索的目标图像和待判定的目标图像进行预处理，获得预处理的目标图像和相应的待判定图像；将目标图像和待判定图像依次输入特征提取模型，得到多个待判定行人特征向量和多个目标特征向量；根据特征向量，在待判定目标图像中寻找出与目标图像一致的行人图像。本发明采用并行卷积核减少了卷积参数，同时运用多个低维度对称卷积核和低维度非对称卷积核代替较高维度卷积核，减少了运算量，本发明的行人重识别精度远高于现有的多种行人重识别方法。
-
公开(公告)号：CN110136017A
公开(公告)日：2019-08-16
申请号：CN201910277684.2
申请日：2019-04-08
Applicant: 复旦大学
IPC: G06Q50/00 , G06F16/901 , G06N3/04
Abstract: 本发明属于大数据技术领域，具体为一种基于数据增强和非负矩阵稀疏分解的群组发现方法。本发明通过循环神经网络学习节点有属性的网络中不同属性的节点的邻居分布，抽取由多个节点的相似的邻居分布形成的邻居模式用以增强数据，再通过交替最小二乘和吉洪诺夫正则化进行非负矩阵的稀疏分解发现群组，提升群组发现的准确性。本发明通过数据增强对网络拓扑结构的边进行了填补，使得矩阵分解时尽量不迭代出全零的行，保证迭代稳定；并且，以非负矩阵稀疏分解的方法得到稀疏的群组表示，不会得到大量非零的概率，增强了群组发现方法的可解释性，解决了大量非零概率难以解释群组隶属关系的难题。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.019 seconds)
