“G06N3/094”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83个，建议您升级VIP下载更多相关专利

[发明专利]时空交通预测模型的对抗训练方法、装置、设备及介质-CN202310943458.X在审
发明人：刘帆;刘浩 -专利权人：广州市香港科大霍英东研究院
申请日： 2023-07-28 - 公布日： 2023-10-27 - 主分类号： G06N3/094 文献下载
摘要：本发明公开了一种时空交通预测模型的对抗训练方法、装置、设备及介质，方法包括：获取时空交通预测模型，将所述时空交通预测模型的对抗训练过程定义为优化问题；利用训练好的策略网络，动态选取对抗训练过程中的对抗节点；通过知识蒸馏技术，利用所述对抗节点和所述优化问题对所述时空交通预测模型进行对抗训练。本发明实施例能够提高时空交通预测模型的对抗鲁棒性，在时空流量预测任务中更有效地防御动态对抗攻击。
时空交通预测模型对抗训练方法装置设备介质

[发明专利]为训练人工神经网络生成真实数据-CN202280017331.9在审
发明人： Y·杨;D·克罗帕斯;H-G·科普肯 -专利权人：西门子股份公司
申请日： 2022-02-03 - 公布日： 2023-10-27 - 主分类号： G06N3/094 文献下载
摘要：本发明涉及一种用于生成真实数据RD来训练人工神经网络的方法和设备。用于监控工业过程的合适且精确的人工神经网络的产生需要巨大量真实训练数据的可用性。本发明提出了通过用从残差数据的模型中提取的样本来增强这种过程的模拟数据SD来生成这种真实数据RD，其中残差数据表示在从真实过程收集的真实数据和在该真实过程的模拟中生成的模拟数据之间的差异。
训练人工神经网络生成真实数据

[发明专利]风险预测模型的训练方法、使用方法及装置、设备及介质-CN202311138830.6在审
发明人：张广智 -专利权人：平安银行股份有限公司
申请日： 2023-09-04 - 公布日： 2023-10-27 - 主分类号： G06N3/094 文献下载
摘要：本发明实施例公开了一种风险预测模型的训练方法、使用方法及装置、设备及介质，训练方法包括：获取原始训练样本集，原始训练样本集包括若干历史交易数据与风险类型标签的对应关系，风险类型标签包括正常交易的正样本标签或欺诈交易的负样本标签；将原始训练样本集中负样本标签对应的原始负样本数据集输入预设的生成模型进行负样本数据扩充，得到候补的目标负样本数据集；将目标负样本数据集以及原始训练样本集输入预设的判别模型进行模型训练，直至模型收敛，得到训练后的判别模型，将训练后的判别模型作为风险预测模型。通过上述方法，可以使正负样本尽可能均衡，以此训练得到的判别模型在作为风险预测模型使用时，预测结果的准确度有所提高。
风险预测模型训练方法使用方法装置设备介质

[发明专利]基于多视图信息交互的光场图像超分辨率网络生成方法-CN202310410553.3在审
发明人：杨永祺;周树波 -专利权人：东华大学
申请日： 2023-04-16 - 公布日： 2023-10-27 - 主分类号： G06N3/094 文献下载
摘要：本发明公开了一种基于多视图信息交互的光场超分辨率网络生成方法，属于图像超分辨率重构技术领域，为了解决光场图像空间分辨率不足的问题。本发明采用了对抗生成网络作为网络的整体结构来提高网络的性能。针对光场数据的特殊性采用了分解核卷积，来提取光场图像的空间角度信息，同时与通道注意力机制结合，形成基于分解核的通道注意力残差模块。所提网络的生成器中采用了多个分解核通道注意力残差模块串联，并在该部分引入输入密集残差结构，实现特征提取。而判别器中则同样使用分解核卷积来提取特征，输出最终判别结果。该网络能提取光场数据中的更丰富的信息，来实现光场超分辨率重建。
基于视图信息交互图像分辨率网络生成方法

[发明专利]一种高迁移性的对抗样本生成方法和系统-CN202310046878.8有效
发明人：常相茂;晋子康 -专利权人：南京航空航天大学
申请日： 2023-01-31 - 公布日： 2023-10-27 - 主分类号： G06N3/094 文献下载
摘要：本发明提供一种高迁移性的对抗样本生成方法和系统，其中方法包括获取原始图像在指定的深度学习网络多个中间层的特征图；根据中间层的激活值和梯度将所有特征图划分为正向特征区域和负向特征区域；将所有指定中间层的不同区域加权求和作为损失函数，以使用动量法对损失函数进行处理得到每次迭代攻击的对抗样本；在迭代攻击次数达到预设次数的情况下生成高迁移性的对抗样本。本发明通过准确的特征划分方式，量化地解释正向特征和负向特征对对抗样本迁移性的影响，即正向特征主导了对抗性样本的迁移性，扰动更多的特征可以生成更高迁移性的对抗样本。
一种迁移性对抗样本生成方法系统

[发明专利]神经网络模型结构搜索方法、装置、电子设备及存储介质-CN201911202953.5有效
发明人：王洋;刘焱;郝新;吴月升;熊俊峰;唐佳伟 -专利权人：百度在线网络技术（北京）有限公司
申请日： 2019-11-29 - 公布日： 2023-10-27 - 主分类号： G06N3/094 文献下载
摘要：本申请公开了一种神经网络模型结构搜索方法、装置、电子设备及存储介质，涉及机器学习领域。具体实现方案为：基于预设的搜索策略和搜索空间，生成目标神经网络模型的各候选结构；利用预设的训练样本集、预设的测试样本集及预设的对抗样本集，对每个候选结构的目标神经网络模型进行训练、测试，确定每个候选结构的目标神经网络模型对应的性能函数值；若第一候选结构的目标神经网络模型对应的性能函数值满足阈值，则确定所述第一候选结构为所述目标神经网络模型的目标结构。本申请的方案能够使得最终确定的目标神经网络模型的目标结构的防御性具有通用性，解决现有技术中应对对抗样本攻击的防御方法，其防御效果有限的技术问题。
神经网络模型结构搜索方法装置电子设备存储介质

[发明专利]文本对抗样本的生成方法、装置、电子设备和存储介质-CN202311179061.4在审
发明人：陆笛 -专利权人：腾讯科技（深圳）有限公司
申请日： 2023-09-13 - 公布日： 2023-10-20 - 主分类号： G06N3/094 文献下载
摘要：本申请涉及文本处理技术领域，尤其涉及一种文本对抗样本的生成方法、装置、电子设备和存储介质，用以解决目前对抗样本生成方法所存在的局限性，提出一种在句子粒度上的对抗样本的生成方法。其中，方法包括：获取预先构建的句子样本检索库，句子样本检索库中包含多个候选句子，以及每个候选句子各自对应的语义特征；对于每个原始句子，提取原始句子的语义特征；将原始句子分别与句子样本检索库中各个候选句子，进行语义特征匹配；根据特征匹配结果，从各个候选句子中筛选出至少一个目标候选句子；以每个原始句子各自对应的目标候选句子作为相应原始句子的对抗样本，构建训练样本集。本申请提出了一种在句子粒度上的对抗样本的生成方法。
文本对抗样本生成方法装置电子设备存储介质

[发明专利]用于训练第一人工神经网络结构的过程、计算机系统、计算机程序和计算机可读介质-CN202080108379.1在审
发明人： M·登哈尔托赫 -专利权人：罗伯特·博世有限公司
申请日： 2020-12-02 - 公布日： 2023-10-20 - 主分类号： G06N3/094 文献下载
摘要：为了使计算机能够做出明智的决定(又名人工智能)，它们必须使用某种形式的“世界模型”将原始传感器数据转换为可操作的信息。“传统”算法使用人为工程化的模型，针对手头特定的问题量身定制。这些算法在设计/训练期间通常只需要有限量的数据样本，因为适用范围窄且自由参数数量有限。公开了一种用于改进第一人工神经网络结构(1)的过程，其中，数据样本由第一人工神经网络结构(1)分类为不同的类(4)，其中，至少一些类(4)是无监督类(6)，所述无监督类(6)由无监督学习生成和/或供给，其中，对于至少一个无监督类(6)，训练第二人工神经网络结构(2)用来生成人工候选对象(7)，所述人工候选对象(7)属于所述无监督类(6)，其中，生成的人工候选对象(7)在监督学习中被标记和/或标注，用于标记和/或标注所述无监督类(7)。
用于训练第一人工神经网络结构过程计算机系统计算机程序可读介质

[发明专利]一种基于功率谱损失的GAN类生成图像的优化方法-CN202310873822.X在审
发明人：叶学义;杨梦豪;曾懋胜;李刚;陈华华 -专利权人：杭州电子科技大学
申请日： 2023-07-17 - 公布日： 2023-10-13 - 主分类号： G06N3/094 文献下载
摘要：本发明公开了一种基于功率谱损失的GAN类生成图像的优化方法，首先确定需要进行优化的生成图像对应的GAN类生成网络；计算生成图像的功率谱损失；将功率谱损失加入原有GAN类生成网络的对抗损失中，对原有GAN类生成网络进行再一次训练；最后通过再一次训练后的GAN类生成网络生成优化后的生成图像。本发明方法针对GAN类生成图像的二维功率谱曲线甚高频部分的上翘，仅在GAN类生成器原有的对抗损失中添加功率谱损失，而训练过程中其它因素都不变的条件下，不仅能在一定程度上优化生成图像的二维功率谱曲线，同时也能提高生成图像的质量。
一种基于功率损失 gan 生成图像优化方法

[发明专利]虚拟形象生成模型的训练与虚拟形象的生成方法、装置-CN202310787077.7在审
发明人：李杰 -专利权人：北京百度网讯科技有限公司
申请日： 2023-06-29 - 公布日： 2023-10-13 - 主分类号： G06N3/094 文献下载
摘要：本公开提供一种虚拟形象生成模型的训练与虚拟形象的生成方法、装置，涉及计算机视觉、增强现实、虚拟现实、深度学习等人工智能技术领域，可应用于元宇宙、数字人等场景。其中，虚拟形象生成模型的训练方法包括：获取训练数据；构建包含向量生成模块、属性生成模块、密度生成模块、颜色生成模块与图像生成模块的神经网络模型；根据样本信息得到样本高斯噪声；使用样本高斯噪声与虚拟形象标准图像训练神经网络模型，得到虚拟形象生成模型。虚拟形象的生成方法包括：获取待处理输入信息，根据待处理输入信息得到待处理高斯噪声；将待处理高斯噪声输入虚拟形象生成模型，根据虚拟形象生成模型的输出结果得到与待处理输入信息对应的虚拟形象。
虚拟形象生成模型训练方法装置

[发明专利]一种基于高频特征损失的GAN类生成图像的优化方法-CN202310873821.5在审
发明人：叶学义;睢明聪;曾懋胜;陈海颖;郭春生 -专利权人：杭州电子科技大学
申请日： 2023-07-17 - 公布日： 2023-10-13 - 主分类号： G06N3/094 文献下载
摘要：本发明公开了一种基于高频特征损失的GAN类生成图像的优化方法，首先确定需要进行优化的生成图像对应的GAN类生成网络；计算生成图像的高频特征损失；然后将高频特征损失加入原有GAN类生成网络的对抗损失，对原有修改后GAN类生成网络进行再一次训练；最后通过再一次训练后的GAN类生成网络生成优化后的生成图像。本发明方法针对GAN类生成器使用Trans‑conv所生成图像带有大量杂乱高频噪声的问题，仅在GAN类生成器原有的对抗损失中添加高频特征损失，而训练过程中其它因素都不变的条件下，能明显提高生成图像的质量与多样性。
一种基于高频特征损失 gan 生成图像优化方法

[发明专利]一种基于自适应多尺度退化的可转移性对抗攻击方法-CN202310814359.1在审
发明人：杨阳;位纪伟;冉燃;王国庆 -专利权人：电子科技大学
申请日： 2023-07-04 - 公布日： 2023-10-13 - 主分类号： G06N3/094 文献下载
摘要：本发明公开了一种基于自适应多尺度退化的可转移性对抗攻击方法，使用相应的分辨率退化在不同尺度上产生扰动，以使对抗性样本对这些模型间小尺度差异不那么敏感。不同尺度的扰动是通过一系列降低输入图像的分辨率副本来获得的。为了进一步利用不同尺度的扰动，本发明提出了一种基于自适应多尺度退化的攻击，该攻击实现了自适应多尺度扰动融合，提升了生成对抗样本的可迁移性。同时，本发明采用了自适应多尺度扰动融合设计，并利用噪声对不同尺度摄动的可转移性进行初步评估，然后进行自适应融合，防止了某一特定尺度陷入局部最优而影响整体性能。
一种基于自适应尺度退化转移性对抗攻击方法

[发明专利]一种对抗攻击的防御方法及电子设备-CN202310924820.9有效
发明人：王亚运;廖炳焱;林骏;金恒;殷俊 -专利权人：浙江大华技术股份有限公司
申请日： 2023-07-26 - 公布日： 2023-10-13 - 主分类号： G06N3/094 文献下载
摘要：本发明公开了一种对抗攻击的防御方法及电子设备，用于通过噪声在频域和时域上的差异性来检测是否存在噪声，从而达到对抗攻击的防御效果，并且将去噪和检测噪声相结合来提升训练效率，节约计算资源。该方法包括：获取输入图像，对所述输入图像进行去噪处理，得到去噪图像；根据所述输入图像和所述去噪图像分别在时域上的时域特征，确定第一差值，以及根据所述输入图像和所述去噪图像分别在频域上的频域特征，确定第二差值；根据所述第一差值和所述第二差值的差异度，确定所述输入图像对应的去噪图像中是否存在对抗攻击噪声。
一种对抗攻击防御方法电子设备

[发明专利]基于样本分离的深度网络对抗鲁棒性提升方法-CN202310510775.2在审
发明人：王冉;高雪丹;邬文慧 -专利权人：深圳大学
申请日： 2023-05-08 - 公布日： 2023-10-10 - 主分类号： G06N3/094 文献下载
摘要：本发明公开了一种基于样本分离的深度网络对抗鲁棒性提升方法，包括在一个数据集上训练一个分类神经网络；用给定的方法攻击神经网络，得到Xfail和Xadv；基于GLCM，计算Efail和Eadv。然后根据箱线图去除异常值；绘制Efail和Eadv的频率直方图；将样本分为两部分，Zfail和Zadv；再训练神经网络；对Zfail和Zadv分别使用两个损失函数#imgabs0#和#imgabs1#并引入第一卷积层权重的L1范数；通过最小化总损失来训练神经网络；本发明提高了对抗鲁棒性，且尽可能少牺牲网络在干净样本上的预测准确率。
基于样本分离深度网络对抗鲁棒性提升方法

[发明专利]融合优化算法渐近正态性的高迁移对抗样本生成方法-CN202211048884.9有效
发明人：景丽萍;方正伟;黄韬;王睿 -专利权人：北京交通大学
申请日： 2022-08-30 - 公布日： 2023-10-10 - 主分类号： G06N3/094 文献下载
摘要：本发明提供一种融合优化算法渐近正态性的高迁移对抗样本生成方法，通过数据增强的方式引入随机性，使得对抗样本的生成的随机梯度优化过程满足正态渐近特性，并通过统计迭代路径中所有样本噪声的均值和协方差用于构造噪声后验分布，用于更好地捕获优化空间的几何信息，提升对抗样本优化过程的稳定性和对抗样本的泛化能力、迁移能力；此外本方法能够从获得的正态分布中采样对抗噪声以生成不限数量的有效对抗样本。
融合优化算法渐近正态性迁移对抗样本生成方法

1
2
3
4
5
6
下一页»
尾页
共 83 条