“奚锦文”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13个，建议您升级VIP下载更多相关专利

[发明专利]分层和共享指数浮点数据类型-CN202280014048.0在审
发明人： B·达尔维什·鲁哈尼;V·埃兰戈;R·沙菲普尔;J·弗沃斯;刘明罡;奚锦文;D·C·伯格;E·S·钟 -专利权人：微软技术许可有限责任公司
申请日： 2022-01-20 - 公布日： 2023-09-29 - 主分类号： G06F7/483 文献下载
摘要：本公开的实施例包括用于提供分层和共享指数浮点数据类型的系统和方法。第一共享指数值和第二共享指数值基于多个浮点值的指数值而被确定。第三共享指数值基于第一共享指数值和第二共享指数值而被确定。第一差值和第二差值基于第一共享指数值、第二共享指数值和第三共享指数值而被确定。符号值和尾数值针对多个浮点值而被确定。针对多个浮点值中的每个浮点值的符号值和尾数值、第三共享指数值、第一差值和第二差值被存储在针对共享指数浮点数据类型的数据结构中。
分层共享指数浮点数据类型

[发明专利]数据和模型并行化中的共享存储器空间-CN202180068113.3在审
发明人： B·普迪佩迪;奚锦文;M·梅斯马克霍斯罗沙希;G·瓦斯什特 -专利权人：微软技术许可有限责任公司
申请日： 2021-07-19 - 公布日： 2023-07-14 - 主分类号： G06N3/063 文献下载
摘要：提供了用于数据和模型并行化中的共享存储器空间的技术，以提高存储器效率和存储器访问速度。共享存储器空间可以在主机系统处或硬件存储器代理中建立。共享存储器可以在一个或多个存储器电路中的存储器地址处，存储用于人工智能模型的训练数据或模型参数。用于人工智能模型的数据可以使用共享存储器空间的训练数据或模型参数而跨多个人工智能加速器被处理。也即，多个加速器从共享存储器空间访问数据的一个副本，而不是访问其自身单独的存储器空间。
数据模型并行中的共享存储器空间

[发明专利]基于隐马尔可夫的区块链动态分片方法及相关设备-CN202310063216.1在审
发明人： 奚锦文;徐国胜;邹仕洪;徐国爱 -专利权人：北京邮电大学
申请日： 2023-01-18 - 公布日： 2023-06-23 - 主分类号： H04L41/0893 文献下载
摘要：本申请提供一种基于隐马尔可夫的区块链动态分片方法及相关设备，包括：确定区块链网络；其中，区块链网络包括：物联网及物联网设备；根据区块链网络，确定动态交易流感知图谱；根据动态交易流感知图谱，通过分片模型对所述区块链网络进行自下而上动态分片，确定动态分片结果；其中，所述动态分片结果用于确定分片结构。本申请通过动态分片机制进行“自上而下”分片来代替“自上而下”的分片机制，结合动态演化的区块链交易网络，实现了分片自适应动态更新，避免了在分片过程中因忽略节点间的动态集合特性而产生大量的跨分片交易，降低了区块链网络中节点跨分片交易处理的系统负荷和时间开销，与传统区块链分片机制相比，本申请提升了系统的性能。
基于隐马尔可夫区块动态分片方法相关设备

[发明专利]具有减少的存储器需求的双动量梯度优化-CN202180028394.X在审
发明人： 奚锦文;B·普迪佩迪;M·特雷布莱 -专利权人：微软技术许可有限责任公司
申请日： 2021-02-09 - 公布日： 2022-11-25 - 主分类号： G06N3/063 文献下载
摘要：描述了与具有减少的存储器需求的双动量梯度优化相关的系统和方法。描述了一种系统中的示例方法，该系统包括梯度优化器和存储器，该存储器被配置为存储与包括L层的神经网络模型相关联的动量值。该方法包括从存储器取回对应于神经网络模型的层的具有所选择的存储格式的第一组动量值和第二组动量值。该方法还包括：将第一组动量值转换为具有与梯度优化器相关联的训练格式的第三组动量值，以及将第二组动量值转换为具有与梯度优化器相关联的训练格式的第四组动量值。该方法还包括使用第三组动量值和第四组动量值来执行梯度优化。
具有减少存储器需求动量梯度优化

[发明专利]使用流式梯度的硬件辅助梯度优化-CN202180023567.9在审
发明人： 奚锦文;B·普迪佩迪;M·特雷布莱 -专利权人：微软技术许可有限责任公司
申请日： 2021-01-20 - 公布日： 2022-11-18 - 主分类号： G06N3/08 文献下载
摘要：描述了与使用流式梯度的硬件辅助梯度优化相关的系统和方法。描述了系统中的示例方法，该系统包括：存储器，被配置为存储与包括L个层的神经网络模型相关联的权重，其中L是大于1的整数；梯度优化器；以及多个工作器。该方法包括在单个突发周期期间，将从多个工作器中的每个工作器接收到的第一组梯度从至少一个梯度缓冲器移动到梯度优化器，并且将权重从耦合到存储器的至少一个缓冲器移动到梯度优化器。该方法还包括在单个突发周期期间将由梯度优化器计算的新权重写回存储器。该方法还包括在单个突发周期期间将新权重从梯度优化器传送到多个工作器中的每个工作器。
使用梯度硬件辅助优化

[发明专利]一种基于区块链的群智感知方法及系统-CN202010847740.4有效
发明人：邹仕洪;奚锦文;徐国爱;徐国胜 -专利权人：北京邮电大学
申请日： 2020-08-21 - 公布日： 2022-10-11 - 主分类号： G06Q10/06 文献下载
摘要：本说明书实施例提供一种基于区块链的群智感知方法及系统，任务请求者向区块链发布任务时，选取工人并通过执行验证者选择智能合约选取验证者；工人完成任务，通过区块链向任务请求者提交感知数据时，执行工人雇佣智能合约，由验证者对工人与任务请求者之间的雇佣关系进行验证，完成第一次共识；任务请求者对感知数据进行数据质量评估后，向区块链提交评估结果和感知数据，执行数据验证智能合约，由验证者根据任务请求者提交的感知数据和第一次共识时工人提交的感知数据，对感知数据进行验证，并根据评估结果确定是否执行支付操作，完成第二次共识；若可以执行支付操作，向工人支付相应的奖励。本说明书的方法及系统能够降低参与节点的工作负荷。
一种基于区块感知方法系统

[发明专利]用于错误恢复的系统和方法-CN202080094466.6在审
发明人： B·普蒂佩迪;M·梅斯马霍斯罗沙希;奚锦文;S·M·库尔卡尼;M·特伦布莱;M·贝宁格;N·克劳迪诺·佩雷拉·洛佩斯 -专利权人：微软技术许可有限责任公司
申请日： 2020-12-16 - 公布日： 2022-09-09 - 主分类号： G06N3/08 文献下载
摘要：本公开的实施例包括一种错误恢复方法，该错误恢复方法包括检测计算错误，重启处理数据集的多个人工智能处理器中的第一人工智能处理器，以及在人工智能处理器加载模型，其中该模型与在由多个人工智能处理器对来自数据集的数据的先前处理迭代期间由多个人工智能处理器处理的相同模型相对应。
用于错误恢复系统方法

[发明专利]一种移动群智感知方法、系统和服务器、存储介质-CN201911347802.9有效
发明人：邹仕洪;奚锦文;徐国爱;徐国胜 -专利权人：北京邮电大学
申请日： 2019-12-24 - 公布日： 2022-08-05 - 主分类号： G06F21/62 文献下载
摘要：本申请涉及计算机技术领域，特别涉及一种移动群智感知方法、系统和服务器、存储介质。所述方法包括：任务请求者发布感知任务到公有区块链中；所述公有区块链上的感知用户获取所述感知任务，并发布针对所述感知任务的申请请求；当所述公有区块链上的感知用户的用户信息通过验证后，所述公有区块链为所述任务请求者、所述感知任务和所述公有区块链上的感知用户建立合约；当所述公有区块链上的感知用户上传针对所述感知任务的感知数据后，所述任务请求者根据所述合约为所述公有区块链上的感知用户支付酬劳。本申请解决了现有技术中存在的用户隐私泄露和数据丢失的技术问题。
一种移动感知方法系统服务器存储介质

[发明专利]用于训练深度神经网络的无损指数和有损尾数权重压缩-CN202080061568.8在审
发明人： 奚锦文;B·普蒂佩迪;M·特伦布莱 -专利权人：微软技术许可有限责任公司
申请日： 2020-06-09 - 公布日： 2022-04-12 - 主分类号： G06N3/04 文献下载
摘要：提供了用于压缩值的系统、方法和装置。可以从存储器中获取多个参数，每个参数包括在模型中的人工神经元或节点之间的关系中使用的浮点数。可以从每个浮点数提取尾数值和指数值以生成尾数值集和指数值集。可以压缩该尾数值集以生成尾数查找表(LUT)和多个尾数LUT索引值。可以对该指数值集进行编码以生成指数LUT和多个指数LUT索引值。可以向一个或多个处理实体提供尾数LUT、尾数LUT索引值、指数LUT和指数LUT索引值，以训练模型。
用于训练深度神经网络无损指数和有损尾数权重压缩

[发明专利]人工智能模型的分布式训练中的数据并行性-CN202080051343.4在审
发明人： B·普蒂佩迪;M·特伦布莱;S·S·布哈拉德瓦杰;D·帕特尔;奚锦文;M·梅斯马霍斯罗沙希 -专利权人：微软技术许可有限责任公司
申请日： 2020-06-09 - 公布日： 2022-03-01 - 主分类号： G06N3/04 文献下载
摘要：本文中描述了启用大型AI模型在被通信地连接到参数服务器的存储器受限目标设备上的执行的方法、系统、装置和计算机程序产品，该参数服务器存储AI模型的主副本。AI模型可以被分解成较小的部分(例如，层或子层)，并且每个部分可以在目标设备上尽可能高效地执行。在AI模型的一部分的执行完成之后，可以在目标设备处下载并执行AI模型的另一部分。为了提高效率，可以将输入样本划分为微批次，并且按顺序执行的多个微批次可以形成迷你批次。可以调节一组微批次或迷你批次的大小以减少通信开销。可以在参数服务器和目标设备处执行多级并行的参数缩减。
人工智能模型分布式训练中的数据并行

[发明专利]用于人工智能建模的动态多层执行-CN202080051365.0在审
发明人： B·普蒂佩迪;M·特伦布莱;S·S·布哈拉德瓦杰;奚锦文;M·梅斯马霍斯罗沙希 -专利权人：微软技术许可有限责任公司
申请日： 2020-06-09 - 公布日： 2022-03-01 - 主分类号： G06N3/04 文献下载
摘要：本文中所描述的方法、系统、装置和计算机程序产品支持大型AI模型在被通信地连接到参数服务器的存储器受限目标设备上的执行，该参数服务器存储AI模型的主副本。AI模型可以被分解成较小的部分(例如，层或子层)，并且每个部分可以在目标设备上尽可能高效地执行。在AI模型的一部分的执行完成之后，可以在目标设备处下载并执行AI模型的另一部分。一次执行AI模型的一部分的该范例允许大型AI模型的动态执行。
用于人工智能建模动态多层执行

[发明专利]训练深度神经网络时的利用压缩权重的直接计算-CN202080029838.7在审
发明人： 奚锦文;B·普蒂佩迪 -专利权人：微软技术许可有限责任公司
申请日： 2020-03-30 - 公布日： 2022-02-01 - 主分类号： G06N3/04 文献下载
摘要：包括参数服务器的分布式训练系统被配置为根据聚类算法来压缩权重度量，然后权重矩阵的压缩表示可以被分发给训练工作方。压缩表示可以包括矩心索引矩阵和矩心表，其中矩心索引矩阵的每个元素对应于对应的权重矩阵的元素并且包括对矩心表的索引，并且其中矩心表的每个元素包括矩心值。在另外的示例方面，通过执行聚集缩减相加操作，该聚集缩减相加操作累加与同一矩心值相对应的训练数据矩阵的所有元素以生成部分总和，将每个部分总和乘以其对应矩心值，并且对生成乘积求和，训练工作方可以直接从权重矩阵和训练数据矩阵的压缩表示来计算激活结果。
训练深度神经网络利用压缩权重直接计算

[发明专利]基于区块链位置隐私保护的群智感知工人选择机制及系统-CN201910604417.1有效
发明人：邹仕洪;奚锦文;徐国爱 -专利权人：北京邮电大学
申请日： 2019-07-05 - 公布日： 2020-05-19 - 主分类号： H04L29/06 文献下载
摘要：本发明涉及基于区块链位置隐私保护的群智感知工人选择机制及系统，基于区块链位置隐私保护的群智感知工人选择系统，包括客户端、分布式系统；客户端与分布式系统连接；分布式系统包括区块链；基于区块链位置隐私保护的群智感知工人选择机制，包括如下步骤：S11：用户注册；S12：任务信息发布；S13：区块链公开信息；S14：提交工作信息：S15：工人选择计算；S16：工人签约选择；S17：工人是否全部签约判断；S18：公布签约结果。本发明在工人选择机制中针对工人覆盖先后使用了子区域优化和全局优化技术，得到更加精准的计算结果；使用贪心策略对结果进行选择，保证每一步得到的结果都是最优解。
基于区块位置隐私保护感知工人选择机制系统

1
共 13 条