“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]基于强化学习奖励机制的激活函数自适应变化模型窃取防御方法-CN202110653241.6有效
发明人： 陈晋音;吴长安;王雪柯 -专利权人：浙江工业大学
申请日： 2021-06-11 - 公布日： 2022-08-02 - 主分类号： G06F21/55 文献下载
摘要：本发明公开了一种基于强化学习奖励机制的激活函数自适应变化模型窃取防御方法，通过在模型输出中，对激活函数进行自适应变化，使用强化学习的奖励机制不断调整自适应策略，降低攻击者从模型输出中获取的信息量，隐藏模型输出的置信度信息中的敏感信息，达到对于模型窃取攻击的防御目的。本发明的方法，在不同的数据集上和模型上，均能达到良好的防御效果。
基于强化学习奖励机制激活函数自适应变化模型窃取防御方法

[发明专利]一种基于语义注意力机制的多音字发音纠错方法及装置-CN202110266709.6有效
发明人： 陈晋音;叶林辉 -专利权人：浙江工业大学
申请日： 2021-03-11 - 公布日： 2022-08-02 - 主分类号： G10L13/02 文献下载
摘要：本发明公开了一种基于语义注意力机制的多音字发音纠错方法及装置，包括：获取文本数据，并对文本数据进行编码得到字嵌入向量矩阵；构建包含编码器、语义注意力机制单元和解码器的语音合成模型并进行参数优化，其中，编码器用于将输入的字嵌入向量矩阵编码成字嵌入特征矩阵，语义注意力机制单元用于将每个字嵌入向量按照各自权重拆分成疑问部分、关键部分以及价值部分这三部分后，依据相邻字组的三部分计算相邻字组的相关性，以组成关联矩阵；解码器对输入的字嵌入向量矩阵和关联矩阵进行解码处理，输出梅尔线性谱；利用参数优化后的语义合成模型对文本数据进行语音合成，输出梅尔线性谱，依据梅尔线性谱计算得到多音字发音纠错的语音合成结果。
一种基于语义注意力机制多音字发音纠错方法装置

[发明专利]一种基于动态时序图的模型性能推理方法与装置-CN202210215486.5在审
发明人： 陈晋音;葛杰;金海波;贾澄钰;宣琦 -专利权人：浙江工业大学
申请日： 2022-03-07 - 公布日： 2022-07-29 - 主分类号： G06F30/27 文献下载
摘要：本发明公开了一种基于动态时序图的模型性能推理方法与装置，通过将神经网络模型的训练过程映射为时间演化图，提取时间演化图中的节点特征，为了能够预测异构模型的性能，提出进一步提取节点特征中的多维统计特征，将多维统计特征聚合为时序特征，实现对模型性能的预测。本发明方法提出的神经网络模型构图方式，比现有的卷积层中的展开构图方式更简洁、计算效率更高，同时不会牺牲预测任务的性能。本发明通过捕获模型训练阶段早期的神经网络动态来解决神经网络模型性能预测问题，能减少神经网络训练结果的不确定性，提高模型训练效率。
一种基于动态时序模型性能推理方法装置

[发明专利]基于互信息的深度学习模型中毒攻击检测方法及其装置-CN202110675475.0有效
发明人： 陈晋音;邹健飞;熊晖 -专利权人：浙江工业大学
申请日： 2021-06-17 - 公布日： 2022-07-19 - 主分类号： G06F21/55 文献下载
摘要：本发明公开了一种基于互信息的深度学习模型中毒攻击检测方法，包括以下步骤：(1)获取样本集与待检测深度学习模型；(2)预训练深度学习模型；(3)生成中毒模型池与触发样本对；(4)利用互信息判断深度学习模型是否中毒。本发明还公开了一种基于互信息的深度学习模型中毒攻击检测装置，用于实施上述方法。本发明具有良好的适用性，能够有效的判断模型是否中毒并找出中毒目标类，能取得较好的检测效果。
基于互信深度学习模型中毒攻击检测方法及其装置

[发明专利]基于模体的图网络的后门攻击防御方法、系统、终端和存储介质-CN202210253252.X在审
发明人：纪守领;熊海洋;陈晋音;伍一鸣;蒲誉文;张旭鸿 -专利权人：尚蝉（浙江）科技有限公司
申请日： 2022-03-15 - 公布日： 2022-07-12 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于模体的图网络的后门攻击防御方法、系统、终端和存储介质，属于网络安全技术领域。通过获取目标图神经网络模型以及图训练集；从图训练集中随机取出部分图数据作为图数据子集；计算图训练集中每一类图数据中的模体分布情况，选择每一类图数据的触发模体，将触发模体嵌入到图数据子集中的其他类的图数据中，构成增强图数据集；将图数据子集中的原图与来自该原图的增强图作为一对正样本对，对图编码器进行训练；利用训练好的图编码器对实时图数据提取嵌入特征，将嵌入特征作为目标图神经网络模型的输入，得到输出结果。该方法能直接破坏攻击者插入在图中的触发器结构，导致它无法取得预先指定的结果，有效抵御后门攻击。
基于网络后门攻击防御方法系统终端存储介质

[发明专利]一种基于生成对抗网络的抵御网络流量侦察方法、系统、终端和存储介质-CN202210254356.2在审
发明人：纪守领;王鹏程;陈晋音;伍一鸣;蒲誉文;张旭鸿 -专利权人：尚蝉（浙江）科技有限公司
申请日： 2022-03-15 - 公布日： 2022-07-12 - 主分类号： H04L9/40 文献下载
摘要：本发明公开了一种基于生成对抗网络的抵御网络流量侦察方法、系统、终端和存储介质，属于网络安全技术领域、数据隐私保护领域，目的是为保护己方的网络流量信息不被敌方所侦察到。技术方案是通过在我方的网络上添加虚假的流量信息，以此来迷惑网络侦查阶段的攻击者，并使得他们的预测模型发生错误的估计，达到抵御网络流量侦察的目的。相较于传统的网络防御方法，无论在方法部署成本还是复杂度上，都有较大的降低。采用本发明可以有效的抵御住敌方对己方网络流量信息的测绘。
一种基于生成对抗网络抵御网络流量侦察方法系统终端存储介质

[发明专利]一种基于模型结构演化的缺陷代码块定位方法-CN202210279322.9在审
发明人： 陈晋音;李晓豪;金海波;郑海斌;倪洪杰 -专利权人：浙江工业大学
申请日： 2022-03-21 - 公布日： 2022-07-05 - 主分类号： G06F11/36 文献下载
摘要：本发明公开了一种基于模型结构演化的缺陷代码块定位方法，首先基于若干深度学习计算框架库，总结其对象库和安全性问题，构建计算框架对象库；再构成计算框架安全性缺陷库和代码安全性缺陷库；然后构建一神经网络模型，并对其进行变异，得到变异模型集合，对变异模型集合进行输出差异提取，得到特征差异向量，计算预测匹配率，并以此判定神经网络模型是否存在缺陷代码块；最后通过语句操作方法对神经网络模型的缺陷代码进行验证和溯源，并与计算框架安全性缺陷库和代码安全性缺陷库进行对比，实现缺陷代码块定位。本发明方法降低计算成本，部署和应用场景更广，提高代码块的缺陷定位精度。
一种基于模型结构演化缺陷代码定位方法

[发明专利]一种基于损失函数敏感度的深度学习样本测试方法与装置-CN202210173151.1在审
发明人： 陈晋音;李晓豪;金海波;郑海斌;宣琦;倪洪杰 -专利权人：浙江工业大学
申请日： 2022-02-24 - 公布日： 2022-07-05 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于损失函数敏感度的深度学习样本测试方法与装置，获取图像数据集作为干净样本，构建深度学习网络；对图像数据集进行对抗攻击操作，得到对抗样本；并进行筛选，得到总样本集，划分为训练样本集与测试样本集；设定损失函数敏感度函数；建立粒子群优化模型，计算损失敏感度漂移值，进行迭代更新，选取正常样本与对抗样本两类最优漂移样本集；利用最优漂移样本集进行训练，得到损失敏感度分类器；将两类最优漂移样本集输入深度学习网络重训练，得到测试模型；将测试样本集输入测试模型迭代，寻找最优漂移噪声样本，计算最优漂移噪声样本的损失函数敏感度漂移值，利用损失敏感度分类器判别，完成样本的检测。
一种基于损失函数敏感度深度学习样本测试方法装置

[发明专利]一种基于神经元激活的信号调制类型识别模型可解释方法及装置-CN202110204132.6有效
发明人：林昶廷;陈晋音;董建锋;陈建海;赵彬彬 -专利权人：杭州弈鸽科技有限责任公司
申请日： 2021-02-23 - 公布日： 2022-07-05 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种基于神经元激活的信号调制类型识别模型可解释方法及装置，根据在分类任务中激活值大的神经元对分类任务起关键作用的特点，通过统计LSTM网络中激活值较大的神经元，将这些神经元的激活值相加后对输入求导就可以获得特征矩阵，该特征矩阵反应了模型对输入各个部位的关注程度。将特征矩阵印射到输入波形图以及星座图上后就可以获得模型对输入各个部位的关注程度以及模型对星座图上关键位置的关注程度，就可实现对模型的解释性分析。该方法可以对基于LSTM网络的信号调制类型识别模型的识别机理进行解释性分析，从而验证模型的安全性。
一种基于神经元激活信号调制类型识别模型可解释方法装置

[发明专利]一种基于情感识别与瞳孔大小计算的Deepfake检测方法-CN202011532434.8有效
发明人：刘毅;王鹏程;陈晋音 -专利权人：浙江工业大学
申请日： 2020-12-22 - 公布日： 2022-07-01 - 主分类号： G06F16/35 文献下载
摘要：本发明公开了一种基于情感识别与瞳孔大小计算的Deepfake检测方法，包括：(1)将语音数据划分为训练集X和测试集Q后进行数据处理，并对训练语音识别模型Y进行训练和测试；(2)将文本数据划分为训练集N和测试集P后进行数据处理，并对训练文本情感分类模型M进行训练和测试；(3)对于待检测的Deepfake视频，提取音频后输入到语音识别模型Y中，再将输出的文本输入到文本情感分类模型M，得到与文本对应的情感；(4)将待测的Deepfake视频转换为图片帧，检测人眼瞳孔的大小；(5)将检测到的人眼瞳孔大小与文本情感分类模型M得到的情感进行匹配，如果不匹配，则判定是假视频。本发明对不同的Deepfake方法生成的假视频都能够较好的检测，泛化能力强。
一种基于情感识别瞳孔大小计算 deepfake 检测方法

[发明专利]面向深度学习模型中毒攻击的检测方法、装置及系统-CN202110128994.5有效
发明人： 陈晋音;邹健飞;熊晖;刘毅 -专利权人：浙江工业大学
申请日： 2021-01-29 - 公布日： 2022-06-28 - 主分类号： G06F21/56 文献下载
摘要：本发明公开了一种面向深度学习模型中毒攻击的检测方法、装置及系统，包括：(1)获取样本集和待检测模型；(2)预训练与待检测模型结构相同的良性模型；(3)对部分样本进行数据增广，组成新样本集；(4)将每一类新样本作为目标类，剩下的所有类新样本作为源类，对预训练后的良性模型进行目标类的多种中毒攻击，获得多种中毒模型和多种中毒样本；(5)获得中毒样本在所有非所出中毒模型下的检测结果，依据检测结果筛选并构建中毒模型池和中毒样本池；(6)依据中毒样本在待检测深度学习模型的检测结果和中毒样本在非所出中毒模型下的检测结果来判断待检测深度学习模型是否中毒。来实现对面向深度学习模型中毒攻击的快速准确检测。
面向深度学习模型中毒攻击检测方法装置系统

[发明专利]基于DAGMM的联邦学习后门攻击防御方法-CN202110675081.5有效
发明人： 陈晋音;刘涛;张龙源;李荣昌 -专利权人：浙江工业大学
申请日： 2021-06-17 - 公布日： 2022-06-28 - 主分类号： H04L9/40 文献下载
摘要：本发明公开了一种基于DAGMM的联邦学习后门攻击防御方法，包括以下步骤：(1)客户端接受全局模型，训练上传本地模型与相应的神经元激活情况；(2)服务器接收更新，利用DAGMM计算对应客户端的损失；(3)基于多轮重构误差的防御。本发明能有效保护模型免遭后门攻击。
基于 dagmm 联邦学习后门攻击防御方法

[发明专利]基于影响力最大化的抑制虚假消息传播方法-CN201911134605.9有效
发明人： 陈晋音;张敦杰;徐晓东;林翔 -专利权人：浙江工业大学
申请日： 2019-11-19 - 公布日： 2022-06-28 - 主分类号： G06F16/9536 文献下载
摘要：本发明公开了一种基于影响力最大化的抑制虚假消息传播方法，包括：(1)对于传播的信息流，采用Louvain聚类局部度中心性算法LCLD或最大随机节点度算法RMD进行处理，获取影响力最大的节点集合；(2)使用Word2Vec将节点集合中节点用户发布的消息转换为三维词向量，并采用TextCnn网络对得到的词向量进行识别分类，区分真实消息节点与虚假消息节点；(3)对节点集合中发布虚假消息的节点进行过滤。利用本发明的抑制虚假消息传播方法，能够对影响力最大的虚假用户节点进行自动查找并删除，从而抑制发布虚假消息节点产生的影响。
基于影响力最大化抑制虚假消息传播方法

[发明专利]基于深度模型的传播预测方法及其系统-CN201911224739.X有效
发明人： 陈晋音;王珏;张敦杰;徐晓东 -专利权人：浙江工业大学
申请日： 2019-12-04 - 公布日： 2022-06-21 - 主分类号： G06Q10/04 文献下载
摘要：一种基于深度模型的传播预测方法，包括：1)数据预处理，采集社交网络一段时间内的数据作为样本数据，处理网络数据，生成数据集并划分：2)构建Seq2Seq模型，采用编码器‑解码器的框架，其中编码器和解码器均由LSTM单元组成；3)嵌入GCN模型：利用图卷积神经网络GCN来提取每个时刻的网络结构特征；具体有：构建滤波器gθ，对隐藏层状态和细胞层状态分别进行卷积操作：4)处理得到的隐藏层向量，具体有：将隐藏层向量输入到逻辑斯蒂二分类器，将隐藏层向量输入到全连接层中。本发明还包括实施上述基于深度模型的传播预测方法的系统，包括：依次连接的数据预处理模块、Seq2Seq模型构建模块、GCN模型嵌入模块、隐藏层向量处理模块。
基于深度模型传播预测方法及其系统

[发明专利]一种基于数据增强的深度学习模型去偏方法与装置-CN202111547267.9在审
发明人： 陈晋音;李秦峰;陈奕芃;赵云波 -专利权人：浙江工业大学
申请日： 2021-12-16 - 公布日： 2022-06-17 - 主分类号： G06N20/00 文献下载
摘要：本发明公开了一种基于数据增强的深度学习模型去偏方法与装置，首先定义深度学习模型的偏见：再选择adult数据集作为原始数据集，利用one‑hot编码对原始数据集的敏感属性进行提取扩充，并对其他属性进行保留或削弱，得到样本数据集；然后将样本数据集根据敏感属性和类标分为四个子集，利用数据生成法补全各个子集，使四个子集的数据条数相同，进行数据增强；再定义偏见指标函数：最后构建深度学习鲁棒性模型，将数据增强得到的四个数据集子集进行融合，然后将融合后的数据集输入深度学习鲁棒性模型进行训练，利用偏见指标函数进行检测，直至准确率和偏见程度达到预设值，完成训练。
一种基于数据增强深度学习模型偏方装置