“G06N3/088”专利分类搜索_专利查询_文献下载_出售_求购_买卖_交易

钻瓜专利网为您找到相关结果39个，建议您升级VIP下载更多相关专利

[发明专利]一种基于对比学习的无监督鲁棒图结构学习方法及系统-CN202310697511.2在审
发明人：孙雨涛;沈肖波 -专利权人：南京理工大学
申请日： 2023-06-13 - 公布日： 2023-10-27 - 主分类号： G06N3/088 文献下载
摘要：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。
一种基于对比学习监督鲁棒图结构学习方法系统

[发明专利]基于对抗自编码器的无监督内部威胁检测方法-CN202311215676.8在审
发明人：孙雁飞;周振国;朱行健;董建阔;亓晋;董振江 -专利权人：南京邮电大学
申请日： 2023-09-20 - 公布日： 2023-10-27 - 主分类号： G06N3/088 文献下载
摘要：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。
基于对抗编码器监督内部威胁检测方法

[发明专利]基于无监督学习的实时运行数据处理方法、装置、设备-CN202110731411.8有效
发明人：王志雄;闵兴征 -专利权人：平安科技（深圳）有限公司
申请日： 2021-06-29 - 公布日： 2023-10-27 - 主分类号： G06N3/088 文献下载
摘要：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。
基于监督学习实时运行数据处理方法装置设备

[发明专利]可分割深度神经网络中的动态特征尺寸适配-CN202280013234.2在审
发明人： 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 -专利权人：交互数字CE专利控股有限公司
申请日： 2022-02-03 - 公布日： 2023-10-24 - 主分类号： G06N3/088 文献下载
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。
分割深度神经网络中的动态特征尺寸

[发明专利]一种面向隐私保护的扩散模型驱动的无监督域泛化方法-CN202311013570.X在审
发明人：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 -专利权人：北京交通大学
申请日： 2023-08-11 - 公布日： 2023-10-13 - 主分类号： G06N3/088 文献下载
摘要：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。
一种面向隐私保护扩散模型驱动监督泛化方法

[发明专利]神经网络模型的训练方法和装置-CN202310826389.4在审
发明人：董智明;靖冠军;郑然;李明达 -专利权人：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
申请日： 2023-07-06 - 公布日： 2023-10-13 - 主分类号： G06N3/088 文献下载
摘要：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。
神经网络模型训练方法装置

[发明专利]一种无监督对比学习的多模态数据增强和编码方法-CN202310805513.9在审
发明人：郑宇博;罗莹莹;邵恒益;张琳;李蕾 -专利权人：北京邮电大学
申请日： 2023-07-03 - 公布日： 2023-10-03 - 主分类号： G06N3/088 文献下载
摘要：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。
一种监督对比学习多模态数据增强编码方法

[发明专利]一种融合个性化上下文和时域动态特征的时序预测方法-CN202310622811.4在审
发明人：杨育彬;陈迪 -专利权人：南京大学
申请日： 2023-05-30 - 公布日： 2023-10-03 - 主分类号： G06N3/088 文献下载
摘要：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。
一种融合个性化上下文时域动态特征时序预测方法

[发明专利]一种基于无监督学习的系统参数辨识方法和装置-CN202310666134.6在审
发明人：杨世春;张正杰;常柏桐;郑一帆;闫啸宇;周思达;曹耀光;刘新华 -专利权人：北京航空航天大学
申请日： 2023-06-06 - 公布日： 2023-09-26 - 主分类号： G06N3/088 文献下载
摘要：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。
一种基于监督学习系统参数辨识方法装置

[发明专利]机器学习模型训练、视频处理方法、装置、设备及介质-CN202310536831.X在审
发明人：刘凯;付志航;陈泽;陶明渊;叶杰平 -专利权人：阿里巴巴达摩院（杭州）科技有限公司
申请日： 2023-05-10 - 公布日： 2023-09-19 - 主分类号： G06N3/088 文献下载
摘要：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。
机器学习模型训练视频处理方法装置设备介质

[发明专利]一种用于图像处理的神经网络的无监督预训练方法-CN202310656829.6在审
发明人：蓝如师;陈颖贤;罗笑南;杨睿 -专利权人：桂林电子科技大学;南宁桂电电子科技研究院有限公司
申请日： 2023-06-05 - 公布日： 2023-09-12 - 主分类号： G06N3/088 文献下载
摘要：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。
一种用于图像处理神经网络监督训练方法

[发明专利]基于离群值采样的分布外数据检测模型训练方法及装置-CN202310681015.8在审
发明人：唐可可;侯超;田志宏;李树栋;王乐;彭伟龙;李默涵 -专利权人：广州大学
申请日： 2023-06-08 - 公布日： 2023-09-05 - 主分类号： G06N3/088 文献下载
摘要：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。
基于离群采样分布数据检测模型训练方法装置

[发明专利]压缩图像到图像模型-CN202180088244.8在审
发明人：任健;奥利弗·伍德福德;谢尔盖·图利亚科夫;王家卓;金清 -专利权人：斯纳普公司
申请日： 2021-12-21 - 公布日： 2023-09-01 - 主分类号： G06N3/088 文献下载
摘要：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。
压缩图像模型

[发明专利]无线系统中基于字典的AI分量-CN202180082487.0在审
发明人： Y·D·纳拉亚南桑加拉杰;吉斯伦·佩尔蒂埃 -专利权人：交互数字专利控股公司
申请日： 2021-10-25 - 公布日： 2023-08-22 - 主分类号： G06N3/088 文献下载
摘要：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。
无线系统基于字典 ai 分量

[发明专利]一种示功图诊断模型无监督预训练方法-CN202211621423.6在审
发明人：陈夕松;钱帅康;曹兴广;姜磊;卜禹 -专利权人：南京富岛油气智控科技有限公司
申请日： 2022-12-16 - 公布日： 2023-08-15 - 主分类号： G06N3/088 文献下载
摘要：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。
一种示功图诊断模型监督训练方法

1
2
3
下一页»
尾页
共 39 条