“陈晋音”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果364个，建议您升级VIP下载更多相关专利

[发明专利]基于后门水印的深度学习模型加密方法和装置-CN202110762575.7在审
发明人： 陈晋音;刘涛 -专利权人：浙江工业大学
申请日： 2021-07-06 - 公布日： 2021-09-07 - 主分类号： G06T1/00 文献下载
摘要：本发明公开了一种基于后门水印的深度学习模型加密方法和装置，获取正常样本，利用正常样本训练深度学习模型，统计训练好的深度学习模型每个神经元的激活值，并从中选择处在激活临界的若干个神经元作密码神经元并记录；根据记录固定密码神经元的激活值不变，利用正常样本对深度学习模型再训练；利用扰乱样本对深度学习模型再训练，以优化所有神经元的激活值，实现对深度学习模型的加密。基于后门水印改变样本的决策边界，使得训练好的深度学习模型只有在特定的触发器条件下才能正常工作，达到一个对深度学习模型加密的效果。
基于后门水印深度学习模型加密方法装置

[发明专利]基于差分隐私的深度强化学习模型安全加固方法及装置-CN202110766183.8在审
发明人： 陈晋音;王雪柯;胡书隆;章燕 -专利权人：浙江工业大学
申请日： 2021-07-07 - 公布日： 2021-09-07 - 主分类号： G06F21/57 文献下载
摘要：本发明公开了一种基于差分隐私的深度强化学习模型安全加固方法及装置，其中包括一种基于差分隐私的深度强化学习模型安全加固方法，包括如下步骤：从环境中采样数据作为待训练样本集，利用深度强化学习算法构建目标模型，将待训练样本集输入到目标模型中对目标模型进行训练；对训练好的目标模型进行测试，并采样状态动作作为窃取数据集；利用深度强化学习算法构建窃取模型；将窃取数据集作为训练样本输入到窃取模型中并利用模仿学习算法训练窃取模型；将差分隐私保护机制添加到训练好的目标模型中，将目标模型在差分隐私机制的作用下输出的数据输入到窃取模型中；窃取模型在有差分隐私机制作用的数据的影响下作出错误的攻击动作。
基于隐私深度强化学习模型安全加固方法装置

[发明专利]一种面向个体收入预测的去偏方法及装置-CN202110776804.0在审
发明人： 陈晋音;陈奕芃;陈一鸣 -专利权人：浙江工业大学
申请日： 2021-07-09 - 公布日： 2021-09-07 - 主分类号： G06K9/62 文献下载
摘要：本发明提供一种面向个体收入预测的去偏方法，包括清洗数据集得到第一样本集和第二样本集，将第二样本集分为特权样本集和非特权样本集；构建收入预测模型，所述收入预测模型包括五层全连接神经网络，SoftMax全连接层，注意力机制层；利用训练样本集收入预测模型，训练时，收入预测损失loss_m1，和去社会偏见损失loss_m2组成的总损失loss为最终损失；每训练一阶段，将第二样本集输入至收入预测模型得到的收入预测结果不同的概率满足第一阈值，则获得最终收入预测模型；应用时，将待测样本输入至收入预测模型中，经计算得到收入预测结果。该方法能够准确预测收入。
一种面向个体收入预测偏方装置

[发明专利]基于数据样本增强的深度学习模型去偏方法和装置-CN202110777118.5在审
发明人： 陈晋音;李秦峰 -专利权人：浙江工业大学
申请日： 2021-07-09 - 公布日： 2021-09-07 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了基于数据样本增强的深度学习模型去偏方法，包括：获得数据集，并分为特权样本集和非特权样本集；通过多个偏见指标构建偏见指标函数，对偏见指标函数进行训练，得到增强样本集，获得最终偏见指标函数；构建预测收入模型；利用强化样本集，采用损失函数训练收入预测模型；每训练一阶段，将收入预测模型输出的收入预测结果和强化样本集通过最终偏见指标函数进行测算，当最终偏见指标函数计算结果满足偏见阈值，则获得最终收入预测模型。该方法该方法能够有效去除社会偏见，精准预测收入。
基于数据样本增强深度学习模型偏方装置

[发明专利]一种基于模型水印的深度学习模型中毒防御方法-CN202110777127.4在审
发明人： 陈晋音;张任杰;王鹏程;张龙源 -专利权人：浙江工业大学
申请日： 2021-07-09 - 公布日： 2021-09-07 - 主分类号： G06T1/00 文献下载
摘要：本发明公开了一种基于模型水印的深度学习模型中毒防御方法，所述方法包括如下步骤：收集图片数据集并分类，针对每一类图片数据集制作相对应的水印图片；利用水印嵌入器，将图片数据集中的原图片域A与水印组合成新图片域A+，利用嵌入损失函数对水印嵌入器进行训练；利用分类损失函数训练得到分类模型，分类模型对图片进行分类，且将新图片域A+、A输入到分类模型在指定的一层的特征图中得到并对应保存特征区域T+、T；利用提取损失函数训练得到水印提取器，将特征区域T和T+输入到水印提取器中对水印进行提取；根据分类模型对图片进行的分类结果以及水印提取器中水印的提取结果进行加权后预测结果。
一种基于模型水印深度学习中毒防御方法

[发明专利]基于时序神经通路的深度强化学习模型中毒检测方法及其装置-CN202110648356.6在审
发明人： 陈晋音;王雪柯;章燕;胡书隆 -专利权人：浙江工业大学
申请日： 2021-06-10 - 公布日： 2021-08-27 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种基于时序神经通路的深度强化学习模型中毒检测方法及其装置，包括：定义深度强化学习的时序神经通路，并依据时序神经通过定义构建包含卷积层和池化层的第一部分、包含全连接层的第二部分的深度强化学习模型的时序神经通路，具体过程为：通过多次查找得到第一部分的Top‑c神经元，该Top‑c神经元与第二部分的所有神经元投入神经元池，依据神经元池构建深度强化学习的时序神经通路；将样本数据输入至深度强化学习模型中，利用构建的时序神经通路的反向传播生成扰动，将扰动添加到输入样本得到中毒样本；将中毒样本输入至深度强化学习模型，依据深度强化学习模型的决策动作变化检测深度强化学习模型是否中毒。
基于时序神经通路深度强化学习模型中毒检测方法及其装置

[发明专利]面向记忆增强元学习的深度学习模型去偏方法-CN202110649914.0在审
发明人： 陈晋音;陈奕芃;陈一鸣;郑海斌 -专利权人：浙江工业大学
申请日： 2021-06-10 - 公布日： 2021-08-27 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了一种面向记忆增强元学习的深度学习模型去偏方法，包括：(1)获取样本数据集，并提取类别标签以及敏感属性标签；(2)构建包含控制器和外部记忆单元的深度学习模型；(3)利用深度学习模型对样本数据进行学习的过程中，依据输出键值与类别标签之间的映射关系筛选得到类别标签，并依据类别标签进行关于敏感属性的相似度检测，筛选得到敏感样本；(4)对敏感样本进行重要性检测，以确定敏感样本的重要性权重；(5)依据重要性权重对敏感样本删减或改变重要性权重，以实现对深度学习模型的去偏处理，从而达到对深度学习模型的去偏效果。
面向记忆增强学习深度模型偏方

[发明专利]一种基于强化学习DQN算法的Deepfake检测方法-CN202110653236.5在审
发明人： 陈晋音;王鹏程;张任杰 -专利权人：浙江工业大学
申请日： 2021-06-11 - 公布日： 2021-08-27 - 主分类号： G06K9/00 文献下载
摘要：本发明涉及机械学习技术领域，具体涉及一种基于强化学习DQN算法的Deepfake检测方法，包括如下步骤：步骤1，采集样本数据划分为训练集S和测试集T；步骤2，将训练集S输入Q网络，将训练集S的[状态‑动作对](si,ai)和Q网络输出的Q(si,a′i)输入到判别器D中，获得置信度δ；用置信度δ求导更新Q网络的模型参数θi，得到Q网络检测模型；步骤3，测试Q网络；步骤4，将Q网络检测模型应用于Deepfake的真假判别中。本发明通过强化学习DQN算法用一组真假已知的样本来训练一个Q网络，通过强化学习DQN算法更新Q值，最终使Q网络训练成为一个能对视频或图片的真假做出判断的模型，不需要设计复杂的框架结构，泛化能力强，应用场景广泛。
一种基于强化学习 dqn 算法 deepfake 检测方法

[发明专利]一种基于节点嵌入差异检测的垂直联邦模型防御方法-CN202110648722.8在审
发明人： 陈晋音;黄国瀚;熊海洋;李荣昌 -专利权人：浙江工业大学
申请日： 2021-06-10 - 公布日： 2021-08-24 - 主分类号： G06N20/20 文献下载
摘要：本发明公开了一种基于节点嵌入差异检测的垂直联邦模型防御方法，包括：(1)训练参与方利用本地数据和服务器下发的梯度信息对边缘图卷积模型进行训练，获得模型更新的节点嵌入向量；(2)训练参与方利用本地数据新建一个基准图卷积模型并进行训练，获得模型更新的节点嵌入向量；(3)分别计算两个模型更新的节点嵌入向量之间的节点相似度，并计算两者的相似度差异矩阵；(4)将节点的相似度差异作为节点特征，对节点进行聚类，并筛选出目标节点；(5)根据目标节点和与邻居节点的相似度，对上传服务器的节点嵌入向量进行修正。本发明可以有效地减弱由恶意参与方进行的对抗攻击带来的影响，提高图数据上的垂直联邦模型对对抗攻击的鲁棒性。
一种基于节点嵌入差异检测垂直联邦模型防御方法

[发明专利]基于光流场和脸部肌肉运动的假脸视频检测方法及装置-CN202110649160.9在审
发明人： 陈晋音;张任杰;王鹏程;上官文昌 -专利权人：浙江工业大学
申请日： 2021-06-10 - 公布日： 2021-08-24 - 主分类号： G06K9/00 文献下载
摘要：本发明提供基于光流场和脸部肌肉运动的假脸视频检测方法包括：获取LFPW图像数据集和FaceForensics++视频数据集；基于Face++DCNN模型构建关键点检测训练系统；构建关键点检测训练系统和假脸视频检测训练系统的损失函数；利用上述训练系统的损失函数对训练系统进行训练，确定关键点检测模型，假脸视频检测模型；通测试数据集调整检测模型；将FaceForensics++验证图像数据集输入到关键点检测模型进行关键点的标记，然后输入到假脸视频检测模型判断所述图像数据集真伪性。本发明还公开了基于光流场和脸部肌肉运动的假脸视频检测装置，该装置能够准确判断脸部视频真伪性。
基于光流场脸部肌肉运动视频检测方法装置

[发明专利]面向深度迁移学习的去偏方法及其装置-CN202110649889.6在审
发明人： 陈晋音;陈奕芃;陈一鸣 -专利权人：浙江工业大学
申请日： 2021-06-10 - 公布日： 2021-08-24 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了一种面向深度迁移学习的去偏方法及其装置，包括：获取源域数据集和目标域数据集，提取类别标签和敏感属性标签；构建全连接神经网络作为迁移模型的教师模型，采用源域数据集优化教师模型的网络参数；固定参数优化的教师模型的前n层全连接层的网络参数作为特征提取器，并在教师模型的最后一层添加m层全连接层，形成迁移模型的学生模型，采用目标域数据集优化学生模型的网络参数；在参数优化的学生模型的特征提取器的输出添加注意力机制层，用于从特征提取器中的输出特征中提取敏感属性并确定敏感属性的权重；将敏感属性对应的特征向量与其他特征向量进行正交操作，以去除深度迁移学习的敏感属性带来的偏见，以实现预测结果的公平。
面向深度迁移学习偏方及其装置

[发明专利]一种基于对抗噪声注入的垂直联邦学习方法和装置-CN202110654359.0在审
发明人： 陈晋音;李荣昌;张龙源;刘涛 -专利权人：浙江工业大学
申请日： 2021-06-11 - 公布日： 2021-08-24 - 主分类号： G06N20/20 文献下载
摘要：本发明公开了一种基于对抗噪声注入的垂直联邦学习方法，包括以下步骤：边缘客户端数据对齐，保证数据特征相同，不同边缘客户端之间相同训练数据成员id进行数据对齐匹配；边缘客户端和服务器端模型初始化工作准备，包括服务商协商选定客户端边缘网络模型和服务器端网络模型和结构，模型参数初始化设置；将客户端边缘网络模型训练产生的中间信息送至信息去敏装置注入对抗性噪声；将边缘客户端去敏的中间信息上传给服务器，利用服务器上布置的网络模型进行训练，并将梯度信息重新反馈给边缘客户端，迭代训练过程，直至联邦模型收敛。该发明不仅保护数据隐私还有效提升了模型的收敛速率，增强了垂直联邦学习框架的实用性。
一种基于对抗噪声注入垂直联邦学习方法装置

[发明专利]基于神经元覆盖率的深度强化学习鲁棒训练方法和装置-CN202110656115.6在审
发明人： 陈晋音;王珏;章燕;王雪柯;胡书隆 -专利权人：浙江工业大学
申请日： 2021-06-11 - 公布日： 2021-08-24 - 主分类号： G06N3/08 文献下载
摘要：本发明的公开了一种基于神经元覆盖率的深度强化学习鲁棒训练方法和装置，包括以下步骤：(1)搭建智能驾驶环境，从智能驾驶环境中采集状态数据对深度强化学习模型训练，直到达到设定回报值为止；(2)利用训练好的深度强化学习模型在环境中运行，提取多轮的状态动作对；(3)构建用于根据历史状态动作对序列预测未来时刻状态动作对序列的预测器和用于对状态动作对进行质量分类的分类器，并利用提取的状态动作对训练预测器和分类器；(4)依据定义的对抗采样策略，根据状态动作对质量采样状态动作对并进行深度强化学习模型的再训练，以提高深度强化学习模型的鲁棒性。
基于神经元覆盖率深度强化学习训练方法装置

[发明专利]一种面向深度强化学习的策略异常检测方法和装置-CN202110598324.X在审
发明人： 陈晋音;胡书隆;章燕;王雪柯 -专利权人：浙江工业大学
申请日： 2021-05-31 - 公布日： 2021-08-24 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了一种面向深度强化学习的策略异常检测方法和装置，包括：利用采集的状态样本对DDPG网络进行强化学习；构建包含行动者网络和判别器的模仿学习网络，利用采集的状态样本和专家状态动作对对模仿学习网络进行训练；利用参数优化的DDPG网络基于输入的状态样本生成状态动作对，利用参数优化的判别器对状态动作对进行判别，当判别结果为1时，认为动作未受到攻击；当判别结果为0时，认为状动作存在异常；当动作存在异常时，且动作幅度差异在阈值范围外，说明动作受到攻击，利用模仿学习网络生成的状态动作对替换DDPG网络生成的状态动作对，以指导DDPG网络在后续阶段的强化学习过程中做出正确决策。
一种面向深度强化学习策略异常检测方法装置

[发明专利]一种基于信息瓶颈的深度强化学习模型鲁棒性增强方法-CN202110652107.4在审
发明人： 陈晋音;王珏;章燕;王雪柯 -专利权人：浙江工业大学
申请日： 2021-06-11 - 公布日： 2021-08-20 - 主分类号： G06N3/08 文献下载
摘要：本发明公开的一种基于信息瓶颈的深度强化学习模型鲁棒性增强方法，通过设定信息瓶颈对深度强化学习中的状态信息进行限制，通过一个编码器来编码转移元组中的状态信息，首先对环境中观察到状态进行编码，编码后输入到策略网络，根据策略网络的动作与环境进行互动，得到下一轮的状态，再将该状态进行编码，与环境不断交互，实现策略网络的训练。本发明公开的基于信息瓶颈的深度强化学习模型鲁棒性增强方法使得训练得到的策略在原始任务上依然有很好地表现，且能抵御对抗攻击的影响；采用退火的思想设置正则项中的比例系数，从而达到一个稳定训练的过程，使得训练得到的策略在正常任务中依旧有出色的性能。
一种基于信息瓶颈深度强化学习模型鲁棒性增强方法