-
公开(公告)号：CN117313887B
公开(公告)日：2025-05-13
申请号：CN202311410059.3
申请日：2023-10-27
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于模糊学习的量子度量学习方法，属于量子机器学习技术领域，包括以下步骤：获取输入特征转换为模糊集合；通过模糊组件处理模糊集合中的不确定性特征；整合原始特征和模糊信息，以减少数据中的不确定信息；将整合后的信息作为量子特征映射的输入进行量子度量学习。本发明中，通过设计的模糊组件，能够处理真实数据集中的不确定性特征，减少由于噪声等因素导致的数据不确定性和歧义，同时，还可以弥补数据预处理过程中可能遗失的部分有效信息，提高模型的鲁棒性，通过模糊组件，能够有效地抽取出高阶的潜在模糊特征，为数据的深层次信息提供了有力的补充，进一步增强了模型的识别与分类能力。
-
公开(公告)号：CN115688883B
公开(公告)日：2025-04-18
申请号：CN202211360816.6
申请日：2022-11-02
Applicant: 成都信息工程大学
IPC: G06N3/0464 , G06N3/09 , G06N10/20 , G06F18/25 , G06F18/24
Abstract: 本发明属于对抗样本检测领域，公开了一种基于量子模糊卷积神经网络的对抗样本检测方法及系统，方法包括：将输入模型中的数据分别传入量子卷积神经网络和模糊神经网络中，将两种网络提取到的特征图通过融合层进行融合，融合层中的融合数据作为预测器输入，最后由预测器输出结果。本发明采用量子模型和模糊系统结合训练量子模糊卷积神经网络训练作为对抗样本检测方法，利用量子卷积神经网络特有的捕获数据全局属性和模糊系统处理不确定性的优势，一定程度上提高了检测率。不仅可以识别原有攻击方法生成的对抗样本，而且对采用同一攻击手段中不同超参数生成的对抗样本以及不同方法生成的对抗样本也有一定的预测和防御作用，模型泛化性优于一般模型。
-
公开(公告)号：CN117313887A
公开(公告)日：2023-12-29
申请号：CN202311410059.3
申请日：2023-10-27
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于模糊学习的量子度量学习方法，属于量子机器学习技术领域，包括以下步骤：获取输入特征转换为模糊集合；通过模糊组件处理模糊集合中的不确定性特征；整合原始特征和模糊信息，以减少数据中的不确定信息；将整合后的信息作为量子特征映射的输入进行量子度量学习。本发明中，通过设计的模糊组件，能够处理真实数据集中的不确定性特征，减少由于噪声等因素导致的数据不确定性和歧义，同时，还可以弥补数据预处理过程中可能遗失的部分有效信息，提高模型的鲁棒性，通过模糊组件，能够有效地抽取出高阶的潜在模糊特征，为数据的深层次信息提供了有力的补充，进一步增强了模型的识别与分类能力。
-
公开(公告)号：CN115688883A
公开(公告)日：2023-02-03
申请号：CN202211360816.6
申请日：2022-11-02
Applicant: 成都信息工程大学
IPC: G06N3/0464 , G06N3/09 , G06N10/20 , G06F18/25 , G06F18/24
Abstract: 本发明属于对抗样本检测领域，公开了一种基于量子模糊卷积神经网络的对抗样本检测方法及系统，方法包括：将输入模型中的数据分别传入量子卷积神经网络和模糊神经网络中，将两种网络提取到的特征图通过融合层进行融合，融合层中的融合数据作为预测器输入，最后由预测器输出结果。本发明采用量子模型和模糊系统结合训练量子模糊卷积神经网络训练作为对抗样本检测方法，利用量子卷积神经网络特有的捕获数据全局属性和模糊系统处理不确定性的优势，一定程度上提高了检测率。不仅可以识别原有攻击方法生成的对抗样本，而且对采用同一攻击手段中不同超参数生成的对抗样本以及不同方法生成的对抗样本也有一定的预测和防御作用，模型泛化性优于一般模型。
-
-
-
Search Results
4
records
(took 0.027 seconds)
