专利名称
主分类
A 农业
B 作业;运输
C 化学;冶金
D 纺织;造纸
E 固定建筑物
F 机械工程、照明、加热
G 物理
H 电学
专利下载VIP
公布日期
2023-10-24 公布专利
2023-10-20 公布专利
2023-10-17 公布专利
2023-10-13 公布专利
2023-10-10 公布专利
2023-10-03 公布专利
2023-09-29 公布专利
2023-09-26 公布专利
2023-09-22 公布专利
2023-09-19 公布专利
更多 »
专利权人
国家电网公司
华为技术有限公司
浙江大学
中兴通讯股份有限公司
三星电子株式会社
中国石油化工股份有限公司
清华大学
鸿海精密工业股份有限公司
松下电器产业株式会社
上海交通大学
更多 »
钻瓜专利网为您找到相关结果30个,建议您升级VIP下载更多相关专利
  • [发明专利]目标检测模型训练方法、目标检测方法、电子设备及介质-CN202310722400.2在审
  • 侯召祥;杨程屹 - 新奥新智科技有限公司
  • 2023-06-16 - 2023-10-27 - G06N3/098
  • 本说明书涉及一种目标检测模型训练方法、目标检测方法、电子设备及介质。其中,目标检测模型训练方法包括:获取样本图像对应的掩码图像和变换图像;将掩码图像输入至第一图像检测模型的在线网络中进行重建和特征预测得到重建图像和预测特征;将变换图像输入至第一图像检测模型的目标网络中进行特征提取得到第一关键特征;基于预测特征、第一关键特征、对比特征进行对比损失的计算确定对比损失数据;根据对比损失数据、掩码损失数据对第一图像检测模型更新,以使在满足模型训练停止条件的情况下,基于目标网络或在线网络确定第一目标检测模型。本说明书实施例结合掩码学习和对比学习进行目标检测模型的训练,减少了对标注数据的依赖。
  • 目标检测模型训练方法电子设备介质
  • [发明专利]联合模型的训练方法、训练装置、存储介质及电子设备-CN202310721913.1在审
  • 杨程屹 - 新奥新智科技有限公司
  • 2023-06-16 - 2023-10-27 - G06N20/00
  • 本公开是关于一种联合模型的训练方法、联合模型的训练装置、存储介质及电子设备。该联合模型的训练方法包括获取第T轮训练时各参与方上传的本地模型及本地模型对应的性能度量指标的度量值;将各参与方上传的本地模型以加权求平均的方式进行模型聚合得到第一联合模型,将各参与方上传的本地模型以各参与方上传的度量值为权重进行加权模型聚合得到第二联合模型;根据第一联合模型对应的性能度量指标的估计值及第二联合模型对应的性能度量指标的估计值,判断各参与方中是否有参与方虚报度量值;若各参与方中有参与方虚报度量值则将虚报度量值的参与方剔除,将第二联合模型作为第T+1轮训练时的初始模型进行模型训练,如此可提高联合模型训练质量。
  • 联合模型训练方法装置存储介质电子设备
  • [发明专利]联合模型的训练方法、训练装置、存储介质及电子设备-CN202310724991.7在审
  • 杨程屹;李增祥 - 新奥新智科技有限公司
  • 2023-06-16 - 2023-10-24 - G06N20/00
  • 本公开是关于一种联合模型的训练方法、联合模型的训练装置、存储介质及电子设备。该联合模型的训练方法包括获取第T轮训练时各参与方上传的本地模型及本地模型分别对应的训练轮数;将各参与方上传的本地模型进行模型聚合,得到联合模型,并确定模型聚合时各参与方上传的本地模型对联合模型的贡献值;将各参与方进行本地模型训练时本地数据的数据量占比与贡献值,按照预定数据处理方式进行数据融合,得到各参与方上传的本地模型对联合模型的真实贡献值;基于各参与方上传的本地模型对联合模型的真实贡献值,调整第T+1轮训练时的各参与方的初始模型的训练轮数,可提高贡献程度大的本地模型的训练轮数,从而提高联合模型质量。
  • 联合模型训练方法装置存储介质电子设备
  • [发明专利]一种旅客行程确定方法、装置及服务器-CN201911001970.2有效
  • 彭明田;杨程屹;吴丽娜;冯婉;李方舟 - 中国民航信息网络股份有限公司
  • 2019-10-21 - 2023-07-25 - G06Q50/14
  • 本发明提供的旅客行程确定方法、装置及服务器,应用于信息处理技术领域,该方法首先获取目标旅客第一预设时间段内的航段数据,然后解析所得航段数据,确定目标旅客的出行城市序列,该出行城市序列中包括多座出行城市,且各出行城市按照出行时间的先后顺序排列,调用预训练的以标注有终点城市的出行城市序列为训练样本,训练多层神经网络得到的行程确定模型,最后将目标旅客的出行城市序列输入行程确定模型,确定目标旅客的目标城市。通过本发明提供的旅客行程确定方法,能够确定处于行程未预定完成状态下的目标旅客有可能出行的目标城市,缩小需要推送相关信息的城市的范围,减少服务器需要处理的数据量,降低服务器负载。
  • 一种旅客行程确定方法装置服务器
  • [发明专利]联合学习训练方法、装置、电子设备及存储介质-CN202111590175.9在审
  • 杨程屹;李增祥 - 新智我来网络科技有限公司
  • 2021-12-23 - 2023-07-04 - G06N20/00
  • 本公开提供了一种联合学习训练方法、装置、电子设备及存储介质。该方法包括:在联合学习的本轮聚合周期内,获取参与方根据本地数据进行初始模型训练得到的本地模型,对参与方的本地模型执行聚合操作得到联合模型;利用联合学习贡献值算法,对本轮聚合周期内每个参与方对联合模型的贡献值进行计算,得到每个参与方的联合学习贡献值;获取参与方的初始指标,对联合学习贡献值以及初始指标执行融合操作,得到参与方的贡献度指标;根据贡献度指标计算参与方在下一轮聚合周期内的训练轮次,以使参与方在下一轮聚合周期内,基于训练轮次对本地模型进行训练,直至对联合模型的训练达到预设目标。本公开能够提升联合学习的收敛速度和模型性能。
  • 联合学习训练方法装置电子设备存储介质
  • [发明专利]一种旅客行程状态确定方法、装置及服务器-CN201911002630.1有效
  • 蔡盛;杨程屹;吴格;李忠虎;冯迪 - 中国民航信息网络股份有限公司
  • 2019-10-21 - 2023-07-04 - G06Q10/067
  • 本发明提供的旅客行程状态确定方法、装置及服务器,应用于信息处理技术领域,该方法首先获取目标旅客第一预设时间段内包括多个航段数据的行程序列和预设偏好信息;根据行程序列中的各航段数据,确定目标旅客对应的机场序列;然后,调用预训练的行程状态确定模型,将目标旅客的机场序列和目标旅客的预设偏好信息输入行程状态确定模型,确定目标旅客的行程状态。本方法采用基于注意力机制的神经网络训练得到形成状态确定模型对目标旅客的行程状态进行判定,可以准确的判断目标旅客的行程是否结束,如果判定目标旅客的行程已经结束,则不再发送推送信息,从而减少服务器的信息处理量。
  • 一种旅客行程状态确定方法装置服务器
  • [发明专利]联合学习的贡献值计算方法、装置、电子设备及存储介质-CN202111590174.4在审
  • 杨程屹;刘嘉;李增祥 - 新智我来网络科技有限公司
  • 2021-12-23 - 2022-04-08 - G06N20/00
  • 本公开提供了一种联合学习的贡献值计算方法、装置、电子设备及存储介质。该方法包括:基于联合学习中的参与方生成多个参与方组,确定每个参与方组对应的组合模型;获取第一标准验证集,对第一标准验证集中的样本数据进行抽取生成第二标准验证集;利用第二标准验证集对组合模型进行模型推演,得到组合模型对应的预估效用值;基于组合模型的预估效用值,计算每个参与方对应的第一边际效用值,利用阈值对第一边际效用值进行判断,根据判断结果确定参与方对应的第二边际效用值;将第二边际效用值作为参与方的实际边际效用值,计算参与方在联合学习中的贡献值。本公开能够降低模型推演的耗时,提升模型推演及联合学习贡献值的计算效率。
  • 联合学习贡献计算方法装置电子设备存储介质
  • [发明专利]联合学习贡献值的确定方法、装置、电子设备及存储介质-CN202111590171.0在审
  • 杨程屹;李增祥 - 新智我来网络科技有限公司
  • 2021-12-23 - 2022-04-08 - G06N20/00
  • 本公开提供了一种联合学习贡献值的确定方法、装置、电子设备及存储介质。该方法包括:对联合学习中的参与方进行聚类得到参与方组,对参与方组的数量进行判断,根据判断结果对参与方组进行聚类形成分组树;对分组树中同一参与方组内子节点的联合模型进行聚合,得到父节点的联合模型;利用联合学习贡献值算法,对子节点在聚合周期内对父节点的联合模型的贡献值进行计算,得到每个子节点对应的贡献值;对分组树进行遍历,得到子节点与分组树中最高层级的父节点之间的路径,根据路径上的全部节点的贡献值,生成子节点对最高层级的父节点的联合模型的贡献值。本公开能够降低联合学习贡献值的计算复杂度,提升联合学习贡献值的计算效率。
  • 联合学习贡献确定方法装置电子设备存储介质
  • [发明专利]确定联合学习中参与方贡献度的方法及装置-CN202111337898.8在审
  • 杨程屹;李增祥 - 新智我来网络科技有限公司
  • 2021-11-10 - 2022-03-01 - G06F16/22
  • 本公开提供了一种确定联合学习中参与方贡献度的方法及装置。该方法包括:基于联合学习的架构生成多个参与方组,计算参与方组的权重;确定聚合周期前后联合学习模型的效用变化值并建立查找表,根据效用变化值判断是否对参与方的贡献值进行计算;利用参与方组随机生成一个全排列组合,并计算参与方加入子组合时的边际贡献值的估计值,根据估计值以及权重,判断是否采用插值函数对新参与方组的效用值进行计算;依据新参与方组的效用值对查找表进行更新,基于更新后的查找表,计算参与方的边际贡献值,直至计算得到收敛后的参与方的贡献值,根据贡献值确定参与方在联合学习中的贡献度。本公开能够提升联合学习中贡献值的计算精度和计算效率。
  • 确定联合学习参与贡献方法装置
  • [发明专利]联合学习中确定参与方贡献值的方法及装置-CN202111326640.8在审
  • 杨程屹;李增祥 - 新智我来网络科技有限公司
  • 2021-11-10 - 2022-03-01 - G06F16/22
  • 本公开提供了一种联合学习中确定参与方贡献值的方法及装置。该方法包括:计算全部参与方组合中每一个参与方组合的权重,确定当前聚合周期联合模型的效用变化值,并建立查找表;当计算贡献值时,选取一个参与方组合并计算参与方组合中每一个参与方的边际贡献值,根据边际贡献值以及权重,判断利用第一估计方式或者第二估计方式对参与方组合的效用值进行估计;利用估计结果对查找表进行更新,并依次迭代估计每一个参与方组合的效用值,获取依据效用值进行更新后得到的最终查找表,以便利用最终查找表对参与方的贡献值进行计算。本公开能够提升联合学习中贡献值的计算精度和计算效率。
  • 联合学习确定参与贡献方法装置
  • [发明专利]用于联合学习中确定参与方贡献度的方法及装置-CN202111326664.3在审
  • 杨程屹;刘嘉;李增祥 - 新智我来网络科技有限公司
  • 2021-11-10 - 2022-03-01 - G06F16/23
  • 本公开提供了一种用于联合学习中确定参与方贡献度的方法及装置。该方法包括:构造全部参与方组合,计算每个参与方组合的权重;确定聚合周期前后联合学习模型的效用变化值并建立查找表,根据效用变化值判断是否对参与方的贡献值进行计算;从全部参与方组合中选取一个参与方组合,对参与方的边际贡献值进行估计,根据估计结果以及权重,判断是否采用插值函数对参与方组合的效用值进行计算;依据参与方组合的效用值对查找表进行更新,依次选取参与方组合,直至计算出所有参与方组合的效用值,利用参与方组合的效用值对查找表进行更新,基于最终更新后的查找表,计算参与方的贡献值。本公开能够提升联合学习中贡献值的计算精度和计算效率。
  • 用于联合学习确定参与贡献方法装置
  • [发明专利]机票交易市场数字镜像的生成方法和装置-CN202110608638.3在审
  • 杨程屹;赵耀帅;常伯彤;冯迪;吴丽娜 - 中国民航信息网络股份有限公司
  • 2021-06-01 - 2021-08-27 - G06Q30/02
  • 本申请提供一种机票交易市场数字镜像的生成方法和装置,方法包括,获取旅客服务系统的日志文本数据;提取日志文本数据的关键信息,并基于关键信息生成结构化日志数据和半结构化日志数据;根据预设的实体模板、状态模板和操作模板,重新组织结构化日志数据和半结构化日志数据,得到实体记录、状态记录和操作记录;利用实体记录、状态记录和操作记录构建机票交易市场的数字镜像。本方案将数字孪生的概念应用到机票交易市场,利用日志文本数据生成机票交易市场的数字镜像,从数据层面复现和还原航班座位控制和机票销售全过程,为分析人员总结市场经验,挖掘市场规律提供参考。
  • 机票交易市场数字生成方法装置
  • [发明专利]一种确定可比较航班的方法及系统-CN202110609873.2在审
  • 常伯彤;杨程屹;赵耀帅;冯迪;吴丽娜 - 中国民航信息网络股份有限公司
  • 2021-06-01 - 2021-08-27 - G06Q30/02
  • 本发明提供了一种确定可比较航班的方法及系统,该方法为:采集指定时间范围内已起飞的多个目标航班的航班数据;从预设属性指标中选择符合预设条件的目标属性指标;针对每一目标航班,根据目标航班的航班数据,确定目标属性指标的指标值,该指标值与目标航班对应;利用所有目标航班对应的指标值,从所有目标航班中确定得到可比较航班。根据计算得到的目标航班的指标值,选择出可比较航班,不依赖于业务人员的主观意识和个人水平,保证所选择的可比较航班具有相似或相同的销售环境和航线管理员操作,从而提高可比较航班之间的销售收益情况的比对准确性,进而提高航班间销售收益情况比对的公平性。
  • 一种确定比较航班方法系统

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top