公开(公告)号：CN112446542A

公开(公告)日：2021-03-05

申请号：CN202011370857.4

申请日：2020-11-30

Applicant: 西安电子科技大学

Inventor： 解宇 ,  马芷璇 ,  张琛 ,  鱼滨

IPC: G06Q10/04 ,  G06Q50/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于注意力神经网络的社交网络链路预测方法，其步骤为：(1)构建注意力神经网络；(2)生成社交网络训练集；(3)对训练集采样；(4)训练注意力神经网络；(5)对社交网络样本进行链路预测。本发明搭建并训练了一个注意力神经网络，能更好地捕获社交网络的动态结构信息，采用注意力使得本发明在处理具有复杂信息的社交网络时有着较短的处理时间和较高的链路预测准确率。

公开(公告)号：CN119966681A

公开(公告)日：2025-05-09

申请号：CN202510030679.7

申请日：2025-01-08

Applicant: 西安电子科技大学

Inventor： 高海昌 ,  马芷璇 ,  黄军祥 ,  王萍

IPC: H04L9/40 ,  G06F21/57 ,  G06F21/62 ,  G06N20/00 ,  G06N5/04 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/08

Abstract: 本申请的实施例涉及机器学习技术领域，特别涉及一种基于联邦学习的用户数据分布隐私的获取方法，通过在中央服务器端部署辅助数据集并建立虚拟客户端集群来进行联邦学习，当联邦学习完成后，基于虚拟客户端的每一轮训练的准确率组合得到时序矩阵，将虚拟客户端对应的时序矩阵和数据分布分别作为训练样本和训练标签，训练预构建的推断模型，从而利用训练完成的推断模型的来预测被攻击的目标客户端的本地数据在各个类别上的数据分布。该方法可以在不影响联邦学习的正常流程的同时，获取到用户数据分布隐私，为联邦学习中的安全防护和隐私保护提供了新的研究思路和视角。

公开(公告)号：CN113066537B

公开(公告)日：2022-04-08

申请号：CN202110419531.4

申请日：2021-04-19

Applicant: 山西大学 ,  西安电子科技大学

Inventor： 解宇 ,  马芷璇 ,  张琛 ,  鱼滨 ,  刘公绪 ,  温超

IPC: G16C20/30 ,  G06N3/04

Abstract: 本发明公开了一种基于图神经网络的化合物分类方法，用于解决现有分类方法忽略了化合物分类中的结构信息导致分类结果不准确和分类效率较低的问题。本发明的步骤为：(1)构建两个图神经网络；(2)生成带有类别标签的训练集和不带有类别标签的训练集；(3)训练两个图神经网络；(4)对不包含类别标签的化合物进行分类。本发明搭建并训练了两个图神经网络，能更好地捕获化合物中所蕴含的结构信息，采用预训练、协同训练与自训练方法使得本发明在处理具有复杂信息的化合物时有着较短的处理时间和较高的化合物分类准确率。

公开(公告)号：CN112446542B

公开(公告)日：2023-04-07

申请号：CN202011370857.4

申请日：2020-11-30

Applicant: 山西大学 ,  西安电子科技大学

Inventor： 解宇 ,  马芷璇 ,  张琛 ,  鱼滨

IPC: G06Q10/04 ,  G06Q50/00 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种基于注意力神经网络的社交网络链路预测方法，其步骤为：(1)构建注意力神经网络；(2)生成社交网络训练集；(3)对训练集采样；(4)训练注意力神经网络；(5)对社交网络样本进行链路预测。本发明搭建并训练了一个注意力神经网络，能更好地捕获社交网络的动态结构信息，采用注意力使得本发明在处理具有复杂信息的社交网络时有着较短的处理时间和较高的链路预测准确率。

公开(公告)号：CN119128904A

公开(公告)日：2024-12-13

申请号：CN202411143938.9

申请日：2024-08-20

Applicant: 嵩山实验室 ,  西安电子科技大学

Inventor： 高海昌 ,  马芷璇 ,  黄军祥 ,  王萍 ,  李尚文

IPC: G06F21/57 ,  G06F18/2415

Abstract: 本发明涉及机器学习技术领域，特别涉及一种基于联邦学习的用户本地数据分布推理攻击方法；所述方法包括：生成辅助数据集、构建模拟攻击用户数据集、训练影子模型、训练用户模型、计算余弦相似度、调整模拟攻击用户数据集中各类标签的数据比例、形成更新后的联邦学习全局模型、判断训练终止条件、得到目标攻击用户的本地数据分布；本发明解决了由于联邦学习分布式训练的特性导致的数据隐私安全问题；通过在服务器端部署辅助数据集和影子模型，利用梯度方向分析和模拟攻击用户数据集，动态地推断出目标攻击用户的本地数据在各个类别上的分布，揭示了目标攻击用户的标签分布，同时，本发明具有较高的隐蔽性、适应性和有效性。

公开(公告)号：CN118211222A

公开(公告)日：2024-06-18

申请号：CN202410474751.0

申请日：2024-04-19

Applicant: 西安电子科技大学

Inventor： 高海昌 ,  马芷璇 ,  李尚文 ,  黄军祥 ,  王萍

IPC: G06F21/56 ,  G06F18/213 ,  G06F18/23 ,  G06N20/00

Abstract: 本发明公开了基于联邦学习的物联网后门防御方法，包括以下步骤：1.生成物联网数据预训练集；2.生成客户端样本集；3.构建联邦学习全局网络；4.服务器对联邦学习全局网络进行预训练；5.服务器对预训练好的联邦学习全局网络进行训练并更新模型；6.判断更新后的联邦学习全局网络是否满足训练终止条件，若满足，则执行步骤7，否则，执行步骤5；7.得到最终训练好的联邦学习全局网络。本发明基于联邦学习的物联网后门防御方法，解决了现有技术中存在的面对非独立同分布数据的后门防御效果较差的问题。

公开(公告)号：CN113066537A

公开(公告)日：2021-07-02

申请号：CN202110419531.4

申请日：2021-04-19

Applicant: 山西大学 ,  西安电子科技大学

Inventor： 解宇 ,  马芷璇 ,  张琛 ,  鱼滨 ,  刘公绪 ,  温超

IPC: G16C20/30 ,  G06N3/04

Abstract: 本发明公开了一种基于图神经网络的化合物分类方法，用于解决现有分类方法忽略了化合物分类中的结构信息导致分类结果不准确和分类效率较低的问题。本发明的步骤为：(1)构建两个图神经网络；(2)生成带有类别标签的训练集和不带有类别标签的训练集；(3)训练两个图神经网络；(4)对不包含类别标签的化合物进行分类。本发明搭建并训练了两个图神经网络，能更好地捕获化合物中所蕴含的结构信息，采用预训练、协同训练与自训练方法使得本发明在处理具有复杂信息的化合物时有着较短的处理时间和较高的化合物分类准确率。