-
公开(公告)号：CN119848253A
公开(公告)日：2025-04-18
申请号：CN202411925450.1
申请日：2024-12-25
Applicant: 扬州大学
IPC: G06F16/35 , G06F18/241 , G06F18/214 , G06F18/25
Abstract: 本发明公开了一种基于软提示调优模型防御中文文本对抗性攻击方法，包括1）使用五种特定于中文的文本攻击策略生成目标域数据，并引入源域和目标域来模拟原始文本和对抗文本；2）基于少量源域数据去训练初始的软提示调优模型，为目标域实例分配伪标签；3）将目标域实例划分为n个子集，通过多次迭代获取目标域实例的n个标签，同时结合图注意力模型分析句法特征；4）通过投票机制选出在多次迭代中一致的标签，作为最终训练数据进行模型训练，实现中文对抗文本的分类预测。本发明通过少量源域数据训练初始模型，揭示目标域的真实标签信息，并通过投票机制结合图注意力增强中文语法特征的软提示调优模型，实现准确分类。
-
公开(公告)号：CN118349675A
公开(公告)日：2024-07-16
申请号：CN202410455499.9
申请日：2024-04-16
Applicant: 扬州大学
Abstract: 本发明公开了一种基于提示调优的文本对抗防御方法，包括1）采取四种策略对原始文本进行添加扰动形成对抗文本，并引入源域和目标域来模拟原始文本和对抗文本；2）手动构建提示调优模型的模板；3）在标签词映射器的构建中使用三种词汇注释工具在目标域上进行标注，根据主题分类或情感分类的任务类型抽取名词或形容词，并采用分层聚类和优化策略得到最终的标签词；4）随机选取少量源域数据样本，基于步骤2）和步骤3）中构建出优化的提示调优模型，实现对抗文本的分类预测。本发明基于提示调优模型，在少量源域数据样本的前提下，解决了多种文本攻击方法对文本准确分类的影响，实现文本对抗防御。
-
公开(公告)号：CN111611963B
公开(公告)日：2023-12-26
申请号：CN202010473892.2
申请日：2020-05-29
Applicant: 扬州大学
Abstract: 本发明公开了一种基于近邻保持典型相关分析的人脸识别方法，其包括以下步骤：1：输入人脸训练数据集X∈Rm×N，Y∈Rn×N，通过近邻保持学习计算图像的近邻权重重建矩阵Ux和Uy；2：采用典型相关分析寻找两组投影向量wx和wy，用最优化方法将近邻保持引入典型相关分析的框架之中，利用广义特征值分解计算投影矩阵Wx和Wy；3：采用两种特征融合策略对测试人脸图像的低维投影#imgabs0#和#imgabs1#进行融合；4：利用最近邻分类器将融合后的特征用于人脸识别。本发明通过近邻保持学习人脸邻近权重重建矩阵，用最优化方法将近邻保持引入典型相关分析框架中，再利用人脸的标签信息，这样提取出的人脸特征不仅最大化了不同人脸间的相关性，而且还最大可能地保持了人脸的邻域结构，提高了人脸识别能力和稳定性。
-
公开(公告)号：CN111753899B
公开(公告)日：2023-10-17
申请号：CN202010582064.2
申请日：2020-06-23
Applicant: 扬州大学
IPC: G06F18/214 , G06F18/2415 , G06F18/2136
Abstract: 本发明公开了一种自适应的不平衡数据领域适应方法，包括以下步骤：1）构建叠加稀疏自编码机，学习源领域和目标领域的原始图像数据集的向量表示；2）针对源领域和目标领域的不平衡数据，构建自适应的不平衡数据领域适应目标函数，补偿数量较小的类损失，并应用最大均值差异算法将源领域和目标领域的大量无标签数据信息代入领域适应目标函数，缩小源领域和目标领域的距离；3）用逻辑回归模型在训练集上训练分类器，并在测试集上做分类预测，得到最终的领域适应结果。本发明优化了特征表示学习的性能，提升了领域适应的准确性，具有较高的鲁棒性和实用性。
-
公开(公告)号：CN114841284A
公开(公告)日：2022-08-02
申请号：CN202210559435.4
申请日：2022-05-18
Applicant: 扬州大学
IPC: G06K9/62 , G06V10/77 , G06V10/774 , G06V10/764 , G06V40/16
Abstract: 本发明公开了一种分数阶图嵌入多重集典型相关分析方法，该方法针对现实应用中常见的噪声干扰，数据量远小于数据维度等干扰特征提取的因素。在本发明方法中，通过在样本数据的奇异值上直接添加分数阶参数来缓解噪声干扰、小样本问题带来的估计偏差，使得奇异值更加接近真实值，从而提升后续特征提取的精确度，使得投影后得到的低维表示更加能够反映真实个体的特征，提升识别率。本方法仅在降维前调整样本数据的奇异值，在并未提高原有算法的时间复杂度的同时，提升了算法的性能。
-
Patent Agency Ranking
公开(公告)号：CN114817550A
公开(公告)日：2022-07-29
申请号：CN202210555187.6
申请日：2022-05-19
Applicant: 扬州大学
Abstract: 本发明公开了一种基于提示学习的领域自适应方法，包括以下步骤：1）选择Bert模型，将该预训练语言模型作为主干，对提示学习方法中的模板和标签词进行设置；2）构造出所需要的提示学习模型，对于数据集，运用提示学习数据加载函数对数据进行加载和处理，之后进行领域自适应任务；3）随机选取少量源域数据样本进行训练，之后将目标域的句子嵌入到同样的模板中，通过预训练语言模型进行掩码语言建模，对输入的目标域句子进行分类预测。本发明利用提示学习的方法，可以解决源域和目标域中语义特征结构的扭曲和类别可辨别性的丢失，在少量源域数据样本的前提下，能够在目标域分类任务中达到更好的准确度。
-
公开(公告)号：CN111611963A
公开(公告)日：2020-09-01
申请号：CN202010473892.2
申请日：2020-05-29
Applicant: 扬州大学
Abstract: 本发明公开了一种基于近邻保持典型相关分析的人脸识别方法，其包括以下步骤：1：输入人脸训练数据集X∈Rm×N，Y∈Rn×N，通过近邻保持学习计算图像的近邻权重重建矩阵Ux和Uy；2：采用典型相关分析寻找两组投影向量wx和wy，用最优化方法将近邻保持引入典型相关分析的框架之中，利用广义特征值分解计算投影矩阵Wx和Wy；3：采用两种特征融合策略对测试人脸图像的低维投影和 进行融合；4：利用最近邻分类器将融合后的特征用于人脸识别。本发明通过近邻保持学习人脸邻近权重重建矩阵，用最优化方法将近邻保持引入典型相关分析框架中，再利用人脸的标签信息，这样提取出的人脸特征不仅最大化了不同人脸间的相关性，而且还最大可能地保持了人脸的邻域结构，提高了人脸识别能力和稳定性。
-
公开(公告)号：CN114817550B
公开(公告)日：2024-11-15
申请号：CN202210555187.6
申请日：2022-05-19
Applicant: 扬州大学
IPC: G06F16/35 , G06F40/30 , G06F18/2415 , G06N3/0455 , G06N3/096
Abstract: 本发明公开了一种基于提示学习的领域自适应方法，包括以下步骤：1）选择Bert模型，将该预训练语言模型作为主干，对提示学习方法中的模板和标签词进行设置；2）构造出所需要的提示学习模型，对于数据集，运用提示学习数据加载函数对数据进行加载和处理，之后进行领域自适应任务；3）随机选取少量源域数据样本进行训练，之后将目标域的句子嵌入到同样的模板中，通过预训练语言模型进行掩码语言建模，对输入的目标域句子进行分类预测。本发明利用提示学习的方法，可以解决源域和目标域中语义特征结构的扭曲和类别可辨别性的丢失，在少量源域数据样本的前提下，能够在目标域分类任务中达到更好的准确度。
-
公开(公告)号：CN118503821A
公开(公告)日：2024-08-16
申请号：CN202410568417.1
申请日：2024-05-09
Applicant: 扬州大学
IPC: G06F18/2415 , G06N3/045 , G06F40/247
Abstract: 本发明公开了一种创新的跨领域自适应提示学习方法，包括1）在带有标记的源域数据上进行预训练，使用掩码语言模型来学习源域数据的语言特征，将该模型应用于目标域；2）利用微调后的模型在源域进行同义词检索，并在目标域结合FastText相似、概率预测和上下文信息策略对标签词进行扩展；通过取源域和目标域扩展的标签词之间的交集来构建最终的标签词；3）将目标域数据嵌入到提示模板中，使得提示学习模型能够预测扩展后的标签词集中每个单词的概率；将每个单词的预测概率映射到具体的类别标签上，并对预测的概率取平均值，作为最终分类预测目标域数据的依据。本发明实现了对目标域数据的准确分类预测，提高了模型在跨领域分类任务中的性能。
-
公开(公告)号：CN110096705B
公开(公告)日：2023-09-08
申请号：CN201910354246.1
申请日：2019-04-29
Applicant: 扬州大学
IPC: G06F40/30 , G06F40/289 , G06F40/58
Abstract: 本发明公开了互联网领域内的一种无监督的英文句子自动简化算法，按如下步骤进行：步骤1、训练词的向量表示；步骤2、获取词的频率；步骤3、分别获取简化句子集合和复杂句子集合；步骤4、填充短语表；步骤5、分别训练简化句子语言模型和复杂句子语言模型；步骤6、构建基于短语的句子简化模型；步骤7、迭代执行回译的策略，训练更优的句子简化模型，本发明在没有利用任何标注的并行语料，充分利用英文维基百科语料，有效提高了英文句子简化的准确性。
-
-
-
-
-
-
-
-
-
Search Results
52
records
(took 0.017 seconds)
