[发明专利]可分割深度神经网络中的动态特征尺寸适配在审
| 申请号： | 202280013234.2 | 申请日： | 2022-02-03 |
| 公开（公告）号： | CN116940946A | 公开（公告）日： | 2023-10-24 |
| 发明（设计）人： | S·K·库马拉斯瓦米;Q·K·N·董;A·奥泽罗夫;P·方丹;F·施尼茨勒;A·兰伯特;吉斯伦·佩尔蒂埃 | 申请（专利权）人： | 交互数字CE专利控股有限公司 |
| 主分类号： | G06N3/088 | 分类号： | G06N3/088;G06N3/063;G06N3/045;H04L67/1008;G06N3/084 |
| 代理公司： | 北京同立钧成知识产权代理有限公司 11205 | 代理人： | 谢续友;刘芳 |
| 地址： | 法国*** | 国省代码： | 暂无信息 |
| 权利要求书： | 暂无信息 | 说明书： | 暂无信息 |
| 摘要： | 本发明提出了一种方法，该方法处理针对分布式AI的有效传输，其中规定了在多个带宽之间切换。在边缘设备处的分布式推断期间，每个设备仅需要加载AI模型的一部分一次，但是它们之间所传送的输入/输出特征可通过启用/禁用动态特征尺寸切换器(DySw)中的节点之间的连接而根据可用传输带宽来灵活地配置。当连接或断开一些节点以便实现所需的压缩因数时，DNN的其他参数保持相同。也就是说，将相同的DNN模型用于不同的压缩因数，并且不需要下载新的DNN模型以与压缩因数或网络带宽适配。 | ||
| 搜索关键词： | 分割 深度 神经网络 中的 动态 特征 尺寸 | ||
【主权项】：
暂无信息
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于交互数字CE专利控股有限公司，未经交互数字CE专利控股有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/202280013234.2/，转载请声明来源钻瓜专利网。
- 上一篇：终端、无线通信方法以及基站
- 下一篇：用热塑性密封材料涂覆织物软管的方法
- 同类专利
- 一种基于对比学习的无监督鲁棒图结构学习方法及系统-202310697511.2
- 孙雨涛;沈肖波 - 南京理工大学
- 2023-06-13 - 2023-10-27 - G06N3/088
- 本发明公开了一种基于对比学习的无监督鲁棒图结构学习方法及系统。方法为：根据节点自身的特征信息构建图学习器，包括对称稀疏处理模块和自监督网络模块，输出图结构学习视图；将原图结构进行低秩和稀疏增强，输出锚定图对；锚定图对与学习视图一同进行数据增强；处理后视图放入编码器，得到对应图节点表示；构造交叉熵函数计算对比学习损失，并优化图学习器、自监督网络的参数，得到最终模型与图结构学习视图。所述系统包括图学习器构建模块、锚定图对确定模块、数据增强模块、编码器处理模块、对比学习损失计算模块。本发明获得的图学习视图没有对下游任务的限制，对标签信息没有依赖，泛化性更强，在生物信息学、推荐系统等任务上有重要意义。
- 基于对抗自编码器的无监督内部威胁检测方法-202311215676.8
- 孙雁飞;周振国;朱行健;董建阔;亓晋;董振江 - 南京邮电大学
- 2023-09-20 - 2023-10-27 - G06N3/088
- 本发明属于用户异常行为检测技术领域，公开了基于对抗自编码器的无监督内部威胁检测方法，其将用户行为原始日志数据的行为序列拆分为以会话为单位的子序列集合，并提取数值特征；将其输入至对抗自编码器中进行训练，得到训练后的正常行为模型；将待检测的用户日志进行特征提取后输入训练后的正常行为模型中，计算数值特征的重构误差的和并作为会话中用户行为的威胁得分，判断该段会话中是否存在威胁。本发明使用无监督学习的方法训练正常用户行为序列，不需要预定义的标签或其他先验知识，使用对抗学习约束了编码器输出的不确定性，提高了模型对多维时序行为序列的重构准确度。
- 基于无监督学习的实时运行数据处理方法、装置、设备-202110731411.8
- 王志雄;闵兴征 - 平安科技（深圳）有限公司
- 2021-06-29 - 2023-10-27 - G06N3/088
- 本申请涉及人工智能领域，尤其是一种基于无监督学习的实时运行数据处理方法、装置、设备。该方法包括：获取实时运行数据，根据实时运行数据计算对应时刻的每个预设指标类型对应的当前指标值；根据当前周期获取对应每个预设指标类型的历史数据；将当前指标值和历史数据按照时间进行排序，得到当前周期对应的初始指标值；通过预先训练得到的滤波模型，对每一预设指标对应的初始指标值进行滤波处理得到待处理数据；滤波模型是通过无监督学习训练得到的；将各预设指标对应的待处理数据进行合成得到综合数据；对综合数据进行平滑处理得到目标数据。采用本方法能够提高准确性且节省人力。此外，本申请还涉及区块链技术，目标数据可存储于区块链节点中。
- 可分割深度神经网络中的动态特征尺寸适配-202280013234.2
- S·K·库马拉斯瓦米;Q·K·N·董;A·奥泽罗夫;P·方丹;F·施尼茨勒;A·兰伯特;吉斯伦·佩尔蒂埃 - 交互数字CE专利控股有限公司
- 2022-02-03 - 2023-10-24 - G06N3/088
- 本发明提出了一种方法，该方法处理针对分布式AI的有效传输，其中规定了在多个带宽之间切换。在边缘设备处的分布式推断期间，每个设备仅需要加载AI模型的一部分一次，但是它们之间所传送的输入/输出特征可通过启用/禁用动态特征尺寸切换器(DySw)中的节点之间的连接而根据可用传输带宽来灵活地配置。当连接或断开一些节点以便实现所需的压缩因数时，DNN的其他参数保持相同。也就是说，将相同的DNN模型用于不同的压缩因数，并且不需要下载新的DNN模型以与压缩因数或网络带宽适配。
- 一种面向隐私保护的扩散模型驱动的无监督域泛化方法-202311013570.X
- 王伟;孔文康;吕晓婷;刘鹏睿;陈国荣;陈政;刘敬楷;祝咏升;胡福强;段莉;李超;刘吉强 - 北京交通大学
- 2023-08-11 - 2023-10-13 - G06N3/088
- 本发明提供了一种面向隐私保护的扩散模型驱动的无监督域泛化方法。该方法包括：目标服务器把训练完成的扩散模型和初始化完成的全局模型发送到各个客户端；各个客户端从扩散模型中采样出虚拟目标域数据，提取出域的特异特征和共享特征，各个客户端把域的共享特征和训练后的客户端模型上传到目标域中的目标服务器，目标服务器通过各客户端模型对目标域的样本进行联邦置信度投票，生成虚拟预测域；目标服务器根据各个客户端对虚拟预测域的贡献，动态调整各个客户端模型的权重，使用联邦置信度投票出的虚拟预测域，得到用于下一轮的联邦下发的全局模型。本发明使用扩散模型能够对目标域的数据进行较好的隐私保护，并有足够的通用性，降低了通讯压力。
- 神经网络模型的训练方法和装置-202310826389.4
- 董智明;靖冠军;郑然;李明达 - 中国电信股份有限公司技术创新中心;中国电信股份有限公司
- 2023-07-06 - 2023-10-13 - G06N3/088
- 本公开提供了一种神经网络模型的训练方法和装置，涉及大数据分析技术领域，所述神经网络模型包括输入层和竞争层，所述竞争层包括多个节点，所述方法包括执行多次操作，每次操作包括：选取多个训练样本中的一个训练样本作为第一训练样本；确定所述多个节点中预设范围内的训练样本数量到达预设数量的第一组节点；计算所述多个节点中除所述第一组节点外的第二组节点中的每个节点与所述第一训练样本对应的相似度；根据所述相似度从所述第二组节点中确定优胜节点；更新所述优胜节点的优胜邻域内每一个节点的权值。
- 一种无监督对比学习的多模态数据增强和编码方法-202310805513.9
- 郑宇博;罗莹莹;邵恒益;张琳;李蕾 - 北京邮电大学
- 2023-07-03 - 2023-10-03 - G06N3/088
- 本发明公开了一种无监督对比学习的多模态数据增强和编码方法，涉及数据增强方法的设计与应用。本发明方法包括：通过差异化数据增强方法对输入的多模态时间序列进行数据增强，构建正负样本对；将原始样本与增强样本分别通过编码器编码，获得样本特征；利用时间与上下文对比模块进行时间交叉预测和上下文对比学习，引入原始样本，最小化数据增强偏差，优化样本特征；利用优化的样本特征输入分类模型进行分类或预测。本发明在对比学习框架中的数据增强过程引入数据增强偏差问题，令数据编码模块感知了数据增强带来的偏差影响，减少了数据增强偏差对下游任务的影响，并提升了数据编码能力。
- 一种融合个性化上下文和时域动态特征的时序预测方法-202310622811.4
- 杨育彬;陈迪 - 南京大学
- 2023-05-30 - 2023-10-03 - G06N3/088
- 本发明公开了一种融合个性化上下文和时域动态特征的时序预测方法，包含如下步骤：步骤1，对数据集中的时间序列数据进行归一化以及无重叠的窗口化；步骤2，搭建一种多任务联合训练的神经网络模型，使其能够同时捕获个性化上下文和时域动态特征，利用训练数据完成对编码器的预训练；步骤3，基于预训练后的编码器提取数据表征，完成下游预测模块的训练；步骤4，利用最终得到的编码器和预测模块，对测试数据进行预测并评估模型。本发明提供的方法通过多任务联合训练来同时提取个性化上下文和时域动态特征，丰富了编码器所提取的表征信息，能够显著提升对时间序列数据的预测效果。
- 一种基于无监督学习的系统参数辨识方法和装置-202310666134.6
- 杨世春;张正杰;常柏桐;郑一帆;闫啸宇;周思达;曹耀光;刘新华 - 北京航空航天大学
- 2023-06-06 - 2023-09-26 - G06N3/088
- 本发明公开了一种基于无监督学习的系统参数辨识方法和装置，其中所述方法，包括：构建表征目标系统的状态空间方程，所述状态空间方程包括用于表征目标系统的输入与状态变量之间关系的状态方程，以及用于表征目标系统的状态变量与输出之间关系的观测方程，所述状态方程包括待辨识参数；整理状态空间方程为以参数分离形式表征已知参数和含有待辨识参数的第一状态空间方程；匹配于第一状态空间方程，构建神经网络模型，所述神经网络模型的输入输出与第一状态空间方程的输入输出相对应；训练神经网络模型，以获得待辨识参数。本发明方案通过构建目标系统状态空间方程与对应的神经网络模型，在模型的无监督训练不断收敛的过程中实现参数辨识。
- 机器学习模型训练、视频处理方法、装置、设备及介质-202310536831.X
- 刘凯;付志航;陈泽;陶明渊;叶杰平 - 阿里巴巴达摩院（杭州）科技有限公司
- 2023-05-10 - 2023-09-19 - G06N3/088
- 本公开涉及一种机器学习模型训练、视频处理方法、装置、设备及介质。本公开通过对待训练的机器学习模型进行无监督训练，从而无需对样本视频中的每帧图像进行标注，使得更多未被标注的视频资源可以参与到该无监督训练过程中，提高了视频资源的利用率。另外，本实施例根据当前图像中至少一个目标对象分别对应的标识、以及当前图像之前的至少一个历史图像中目标对象对应的标识，确定当前图像中每个目标对象的历史运动轨迹，并根据当前图像中每个目标对象的历史运动轨迹，确定当前图像的映射图像，使得映射图像能够反映出目标对象的真实运动，使用高质量的映射图像进行训练，可提高机器学习模型的精准度。
- 一种用于图像处理的神经网络的无监督预训练方法-202310656829.6
- 蓝如师;陈颖贤;罗笑南;杨睿 - 桂林电子科技大学;南宁桂电电子科技研究院有限公司
- 2023-06-05 - 2023-09-12 - G06N3/088
- 本发明涉及神经网络无监督学习技术领域，具体涉及一种用于图像处理的神经网络的无监督预训练方法，包括如下步骤：首先将图像分成图像块，再进行掩膜操作，接着计算感知损失，计算对比损失与重建损失，最后利用损失进行训练。训练完毕以后，使用训练后的模型对输入图像处理，获得类别特征向量和重建的图像向量。本发明通过使用感知损失能够衡量掩膜操作对于神经网络的影响，同时使用对比损失使其特征更加明显，最后通过重建损失令网络学习如何将图像抽象为特征同时减少抽象过程中信息的丢失，提高了神经网络对于图像的特征提取能力。
- 基于离群值采样的分布外数据检测模型训练方法及装置-202310681015.8
- 唐可可;侯超;田志宏;李树栋;王乐;彭伟龙;李默涵 - 广州大学
- 2023-06-08 - 2023-09-05 - G06N3/088
- 本公开提供了一种基于离群值采样的分布外数据检测模型训练方法及装置，其中，方法包括：在每个训练周期，使用编码器提取样本相应的特征，使用指数移动平均方法更新每个分布内数据类别原型；将特征输入到神经网络模型中，根据训练周期的阶段，在分布内数据类别原型的基础上选择使用对比学习策略或采样离群样本策略对神经网络模型进行训练，并在训练周期结束后得到最终的分布外数据检测模型。本公开提高神经网络模型的分布外数据检测性能的同时，不影响模型的分布内数据检测性能。
- 压缩图像到图像模型-202180088244.8
- 任健;奥利弗·伍德福德;谢尔盖·图利亚科夫;王家卓;金清 - 斯纳普公司
- 2021-12-21 - 2023-09-01 - G06N3/088
- 本文的方法和系统描述了图像压缩系统。该图像压缩系统：生成第一生成式对抗网络(GAN)；识别阈值；基于该阈值，通过修剪第一GAN的通道来生成第二GAN；根据第一GAN使用基于相似性的知识蒸馏来训练第二GAN；以及存储经训练的第二GAN。
- 无线系统中基于字典的AI分量-202180082487.0
- Y·D·纳拉亚南桑加拉杰;吉斯伦·佩尔蒂埃 - 交互数字专利控股公司
- 2021-10-25 - 2023-08-22 - G06N3/088
- 一种无线发射/接收单元(WTRU)可以被配置为执行一个或多个动作。可以接收第一类型的第一发射和第二类型的第二发射。可以基于时频关系或配置信息，确定该第一发射与该第二发射链接。可以基于该第一发射和预定义的处理规则确定第一控制信息。该第二发射可以作为输入提供给人工智能(AI)分量，并且可以致使该AI分量生成第二控制信息作为输出。可以基于该第一控制信息与该第二控制信息之间的差确定损失值。该损失值可用于训练该AI分量。可以确定该AI分量的该训练以满足条件。可以发射该确定的指示。
- 一种示功图诊断模型无监督预训练方法-202211621423.6
- 陈夕松;钱帅康;曹兴广;姜磊;卜禹 - 南京富岛油气智控科技有限公司
- 2022-12-16 - 2023-08-15 - G06N3/088
- 本发明公开了一种示功图诊断模型的无监督预训练方法，该方法针对示功图本身仅具有线条且中心区域为空白的特征，首先采用漫水填充算法对示功图数据中心区域进行填充，并通过让诊断模型输出特征向量，反卷积模型输出填充后的示功图数据，计算生成图像与填充图像的重建误差，进行深度学习模型的预训练，从而减轻模型训练对大量带标签示功图样本的依赖，缩短训练周期并保证示功图诊断精度。
- 一种检测模型的处理方法及装置-202011506742.3
- 陈伟杰;马振鑫;陈斌斌;过一路;赵龙;杨世才;谢迪;浦世亮 - 杭州海康威视数字技术股份有限公司
- 2020-12-18 - 2023-08-08 - G06N3/088
- 本申请提供一种检测模型的处理方法及装置，涉及机器学习技术领域，可以提高检测模型的检测准确率。该处理方法包括：获取N帧图片；将N帧图片输入到第一检测模型，进行对象检测处理，得到每帧图片中检测框的置信度；根据第一置信度阈值和获取到的检测框的置信度，确定正样本和负样本；正样本包括第一检测框和N帧图片中包括第一检测框的图片，负样本包括第二检测框和N帧图片中包括第二检测框的图片；第一检测框为置信度高于第一置信度阈值的检测框，第二检测框为置信度低于第一置信度阈值的检测框；第一置信度阈值大于第一检测模型对应的置信度阈值；根据正样本和负样本对第一检测模型进行训练，得到第二检测模型。
- 一种目标域检测网络的训练方法、装置、设备及存储介质-202010378333.3
- 曹桂平 - 广州视源电子科技股份有限公司
- 2020-05-07 - 2023-08-04 - G06N3/088
- 本发明公开了一种目标域检测网络的训练方法、装置、设备及存储介质。该方法包括：基于源域数据和目标域数据构建编码网络、源域检测网络和目标域检测网络；根据目标函数更新编码网络、源域检测网络和目标域检测网络，直至目标函数的值满足设定条件，更新过程中，源域检测网络和目标域检测网络之间满足最大均值差异约束关系；将目标函数的值满足设定条件的情况下的目标域检测网络作为训练后的目标域检测网络。上述技术方案，根据源域数据训练得到用于识别目标域数据的检测网络，提高了对目标域数据识别的准确性并降低了目标域检测网络的数据成本。
- 一种基于冗余信息过滤的无监督句子表征学习方法-202310508625.8
- 孙玉灵;陈少斌 - 华东师范大学
- 2023-05-08 - 2023-08-01 - G06N3/088
- 本发明公开了一种基于冗余信息过滤的无监督句子表征学习方法，其特点是基于信息最小化原则的重构操作，对预训练数据集当中的冗余信息进行过滤，训练使用BERT和RoBERTa为基础模型，将其在维基百科数据集上训练得到InforMin‑CL模型，该模型输出端的隐藏向量被全连接网络进一步映射得到的向量，作为学习到的句子表示，所述重构通过一个正样本去重构另一个正样本，以实现冗余信息的过滤。本发明与现有技术相比具有基于信息最小化原则设计的重构操作，以丢弃冗余信息，通过基于对比学习的句子表征学习模型，可贡献于所有基于对比学习的句子表征学习模型中的预训练冗余信息过滤问题，对提升模型性能有极大的帮助。
- 患者信息与医疗服务关系检测模型训练、检测方法及装置-202310362637.4
- 赵礼悦;陈鑫 - 北京亚信数据有限公司
- 2023-04-06 - 2023-07-25 - G06N3/088
- 本发明公开了一种患者信息与医疗服务关系检测模型训练方法、患者信息与医疗服务匹配异常的检测方法及相关装置。所述方法包括：获取患者就诊信息和医疗服务信息；对患者就诊信息和医疗服务信息分别进行特征编码，得到患者信息向量和医疗服务向量；将包含有患者信息向量和医疗服务向量的向量对作为样本数据，生成样本数据集；使用样本数据集对预设的深度学习模型进行训练，得到患者信息与医疗服务关系检测模型。能够高效且准确地检测患者信息与医疗服务匹配是否存在异常。
- 基于变分原理的面向神经算子训练与偏微分方程组求解的统一方法、介质及产品-202310326728.2
- 徐腾飞;郝鹏;刘大川 - 大连理工大学
- 2023-03-30 - 2023-07-21 - G06N3/088
- 一种基于变分原理的面向神经算子训练与偏微分方程组求解的统一方法、介质及产品，包括：从偏微分方程组的参数空间中抽样形成仅含离散参数场的数据集，划分为偏移集、测试集、无标签集，将无标签集分为多个批次，并形成边界条件的掩码张量；使用神经算子模块预测无标签集中离散参数场样本的节点解，得到离散化的泛函作为系统泛函的估计；计算泛函估计关于节点解的梯度，将其范数作为最小化目标，获取当前节点解的更新步长，更新模块的权重。本发明将求解偏微分方程组算子和训练神经算子两个任务统一在一个框架内完成，引入变分操作构建无标签的优化目标以替代数据驱动的训练误差项，节省生成用于构建数据驱动误差项所需的大量标签的时间与算力。
- 基于行为对比学习的无监督技能学习方法及系统-202310395639.3
- 李学龙;白辰甲;杨如帅;赵斌;王震 - 上海人工智能创新中心
- 2023-04-13 - 2023-07-11 - G06N3/088
- 本发明总的来说涉及强化学习技术领域，提出一种基于行为对比学习的无监督技能学习方法及系统。该方法包括下列步骤：由智能体与环境进行交互；收集智能体与环境交互过程中的样本，并且将所述样本保存在数据集中；基于行为对比学习对所述样本进行奖励标记；以及使用奖励标记后的样本对所述智能体进行更新。本发明通过提供能够鼓励主动探索的奖励来引导智能体进行技能发现，从而提升技能对状态动作空间的覆盖程度和下游任务的表现，其中基于对比学习构造奖励函数以鼓励智能体在训练过程中兼顾探索和技能学习，在不额外引入探索模块的情况下学习有足够探索能力的技能，节省了存储空间以及运算资源，并且使不同技能之间的行为保持多样化和不同。
- 一种用于视频去模糊的无监督学习方法-201910098199.9
- 顾金伟;O·加洛;刘洺堉;J·考茨;陈怀金 - 辉达公司
- 2019-01-31 - 2023-07-04 - G06N3/088
- 本发明公开了一种用于视频去模糊的无监督学习方法。图像处理方法从视频中提取连续的输入模糊帧，并生成与输入模糊帧相对应的清晰帧。在清晰帧之间确定光流，并且光流用于计算每像素模糊核。模糊核用于将每个清晰帧重新模糊为相应的重新模糊帧。重新模糊帧用于通过最小化重新模糊帧与输入模糊帧之间的距离来微调去模糊网络。
- 自编码器学习方法、装置、计算机设备及存储介质-201910190701.9
- 焦剑波;暴林超;魏云超;石宏辉;刘永雄;刘威;黄煦涛 - 腾讯科技（深圳）有限公司
- 2019-03-13 - 2023-07-04 - G06N3/088
- 本申请是关于一种自编码器学习方法、装置、计算机设备及存储介质。该方法包括：在拉普拉斯域对所述数据进行噪声叠加，获得叠加噪声数据；通过编码器提取叠加噪声数据的数据特征；根据叠加噪声数据的数据特征进行数据重建，获得重建数据；获取重建数据与初始数据之间的差值；当差值满足收敛条件时，输出编码器的网络参数。本方案首先对初始数据进行拉普拉斯域的噪声叠加，然后根据获得的噪声叠加数据进行特征提取和重建，使得自编码器能够更多的提取到初始数据的上层特征，从而提高自编码器能够从数据中学习到的特征的代表性，提高训练出的编码器的准确性。
- 一种云边端协同个性化联邦学习方法、系统、设备及介质-202211700785.4
- 费洪晓;夏项杰;龙军;齐倩倩;洪俊坤 - 中南大学
- 2022-12-29 - 2023-06-27 - G06N3/088
- 本发明公开了一种云边端协同个性化联邦学习方法、系统、设备及介质，本方法通过获取多个客户端的终端设备产生的数据样本和所有客户端构成的图结构；获取数据样本的特征矩阵表示和邻接矩阵表示，获得数据样本的特征张量和邻接张量；根据邻接张量和特征张量，对多个客户端的终端设备进行聚类，获得多组客户端终端设备；构建云边端协同个性化联邦学习的目标函数和特征图，并根据目标函数和特征图，对每组客户端终端设备进行个性化模型训练，更新每组客户端终端设备的个性化模型的参数；根据个性化模型的参数、特征图和图结构，通过图卷积神经网络进行聚合，获得每个客户端的全局模型和个性化模型。本发明能够有效提升模型的推理精确度和训练速度。
- 一种无监督域适应的多元时序数据异常检测方法-202310167536.1
- 吕建明;王亚权;吴思琦;李博;黄星杰 - 华南理工大学
- 2023-02-27 - 2023-06-23 - G06N3/088
- 本发明公开了一种无监督域适应的多元时序数据异常检测方法，步骤如下：离线训练阶段通过预测任务和重构任务组成的无监督多任务学习框架训练骨干网络；将训练集多元时序数据输入骨干网络，并依次进行域适应窗口归一化、显著异常误差集合扫描、POT阈值选择操作确认最优阈值；在线检测阶段，将待测多元时序数据输入骨干网络，并依次进行域适应窗口归一化、显著异常误差集合扫描操作得到异常分数和显著异常误差集合，将异常分数与最优阈值进行比较输出异常检测结果。本发明提出的无监督域适应多元时序数据异常检测方法解决了多元时序数据异常检测的域漂移问题，同时具有模型轻量，性能优越，解释性好的优点。
- 一种无源域数据的无监督领域适应方法-202211600631.8
- 梅建萍;翁烨涛 - 浙江工业大学
- 2022-12-13 - 2023-06-06 - G06N3/088
- 本发明涉及一种无源域数据的无监督领域适应方法，以有标签的源域样本训练模型，得到预训练好的源域模型；以源域模型初始化目标域模型；以源域模型的BN层存储的统计信息近似源域的特征分布，与目标域样本的特征分布显式对齐，最小化分布对齐损失，尽可能拉近源域和目标域特征分布空间；基于源域模型的分类器的预测对目标域样本的特征进行模糊聚类，以聚类隶属度作为目标域样本的软标签，计算软标签与模型分类器对目标域样本的预测之间的交叉熵损失，对目标域样本计算信息最大化损失；以所有损失函数共同训练目标域模型，实现无源域数据的无监督领域适应，纠正部分最初分类器分错的目标域样本，提高分类准确度。
- 一种基于无监督算法的行为序列异常检测方法及系统-202310226595.1
- 梁淑云;殷钱安;王启凡;陶景龙;刘胜;余贤喆;徐明;魏国富 - 上海观安信息技术股份有限公司
- 2023-03-07 - 2023-05-30 - G06N3/088
- 本发明提供一种基于无监督算法的行为序列异常检测方法及系统，方法包括：本发明基于企业web系统操作数据，标准化处理成web用户操作表；通过用户操作的先后顺序，等时间间隔对用户行为序列进行分割，形成多个时间窗口的子序列；根据web用户操作表，再获取近4天的历史数据，对每天每个用户，按照操作顺序合并一天内的操作行为生成序列；进而计算每个子序列与其前后相邻窗口的子序列的相似度以及每个行为序列与其近3天内行为序列的相似度；将子序列间的相似度值以及序列间的相似度值作为特征即孤立森林模型的输入，根据模型输出结果确定用户是否异常。本发明解决了行为序列异常捕捉困难、误报、漏报率较高的技术问题。
- 用于训练图像特征提取模型的方法、图像识别方法及介质-202310188319.0
- 陈伟聪;赵妍;黄凯 - 北京有竹居网络技术有限公司
- 2023-02-22 - 2023-05-26 - G06N3/088
- 本公开涉及一种用于训练图像特征提取模型的方法、图像识别方法及介质，涉及图像识别技术领域，在该方法中，初始图像特征提取模型基于第一图像编码特征、第一掩码图像块以及第二图像编码特征，获得第一重构图像。初始图像特征提取模型基于第二图像编码特征、第二掩码图像块以及第一图像编码特征，获得第二重构图像。然后基于第一重构图像、第二重构图像、第一图像以及第二图像，构建总损失函数，并基于总损失函数，调整初始图像特征提取模型的参数，获得训练好的图像特征提取模型，从而在图像特征提取模型的训练阶段能够利用多模态的图像对该图像特征提取模型进行训练，使得训练好的图像特征提取模型的特征提取更加准确。
- 一种基于堆栈自编码器和Page-Hinckley测试的无监督概念漂移检测方法-202310153047.0
- 赵蕴龙;詹舒 - 南京航空航天大学
- 2023-02-22 - 2023-05-23 - G06N3/088
- 本发明公开了一种基于堆栈自编码器和Page‑Hinckley测试的无监督概念漂移检测方法，目的是监测动态数据流中存在的概念漂移现象，并及时对下游决策模型进行调整，提高模型在新数据上的泛化能力。该方法按以下步骤进行：1.数据窗口划分，用于将数据流中的单个实例组织成不同的数据窗口，以支持后续对窗口中数据分布的密度估计。2.训练表征分布的堆栈自编码器，用于提取表征数据分布的隐藏统计特征，实现对窗口数据的间接密度估计。3.分布差异度量，使用堆栈自编码器的重构误差来作为窗口数据间分布差异的度量值。4.自适应阈值设定，通过Page‑Hinckley测试制定动态阈值，并利用假设检验的思想，当重构误差超过阈值时报告漂移发生，同时迅速调整下游决策模型。
- 用于无线通信的分类器和自编码器的联合学习-202180055440.5
- J·南宫;T·刘;N·布衫;P·K·维瑟兰德弗特;J·K·森达拉拉扬;陈万士;K·K·穆卡维里;H·J·翁;A·马诺拉克斯;T·姬 - 高通股份有限公司
- 2021-08-17 - 2023-05-09 - G06N3/088
- 本公开的各个方面一般涉及无线通信。在一些方面，客户端可至少部分地基于分类器来选择自编码器集合中要用于对观察到的无线通信向量进行编码以生成隐性向量的自编码器。该客户端可传送该隐性向量以及对该自编码器的指示。提供了众多其他方面。
- 专利分类
