“龚昊然”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5个，建议您升级VIP下载更多相关专利

[发明专利]训练数据筛选方法、模型训练方法、文本生成方法-CN202311213090.8在审
发明人： 龚昊然;肖雪松;陈昶宇;韩威俊;严帅 -专利权人：成都明途科技有限公司
申请日： 2023-09-20 - 公布日： 2023-10-27 - 主分类号： G06F16/335 文献下载
摘要：本申请提供一种训练数据筛选方法、模型训练方法、文本生成方法，涉及计算机的技术领域。训练数据筛选方法，包括：基于预先获取的目标用户的用户画像和预设的提示语句模板，得到提示语句；将提示语句输入待训练的大语言模型，得到提示语句对应的对照文本；基于对照文本从预先获取的待训练数据集中筛选出至少一个目标待训练数据，得到训练数据集，训练数据集包括所有目标待训练数据。由于提示语句是基于用户画像得到的，因此，大语言模型基于提示语句输出的对照文本符合用户画像的特性。从而使得之后筛选出的目标待训练数据也会符合用户画像特性。从而使得得到的训练数据集中的每一条目标待训练数据都符合用户画像特性，以防对数据分布造成破坏。
训练数据筛选方法模型文本生成

[发明专利]一种零抑制的增量知识调优方法、装置及电子设备-CN202310712776.5在审
发明人：钟秀琴;陈昶宇;符红光;龚昊然;韩威俊 -专利权人：电子科技大学
申请日： 2023-06-13 - 公布日： 2023-10-20 - 主分类号： G06N5/02 文献下载
摘要：本申请提供一种零抑制的增量知识调优方法、装置及电子设备，该方法应用于调优网络中，样本生成逻辑模块获取包括随机样本和调优样本的训练数据和数据来源标记值，将各样本输入第一个预训练解码器组和相应旁路插件网络组，将样本标签值和数据来源标记值输入损失模型；通过预训练解码器组和相应旁路插件网络组的计算，得到各旁路插件网络组输出的组零抑制损失值和最后输出的当前预训练隐层值，以使网络输出模块得到网络输出结果，损失模型确定网络输出结果的总体损失值，并基于总体损失值对各旁路插件网络组中的参数进行调节。该方法通过旁路插件网络实现零抑制正则化训练，避免调优过程中的大模型历史预训练知识的灾难性遗忘问题，提高模型性能。
一种抑制增量知识方法装置电子设备

[发明专利]一种异种mRNA序列优化方法-CN202111285212.5有效
发明人：周小波;龚昊然;温建国 -专利权人：四川大学华西医院
申请日： 2021-11-01 - 公布日： 2023-07-21 - 主分类号： G16B30/00 文献下载
摘要：本发明公开了一种异种mRNA序列优化方法，以提高异种mRNA在待转入物种体内的表达效率，属于深度学习和分子生物学领域。本发明分别用word2vec层和Bi‑LSTM+CRF网络构成的NER网络模型优化CDS序列，再基于CDS序列使用tokenizer和mBART网络构成的sep2sep序列生成网络模型优化UTR序列，最终实现mRNA的优化。本发明的优化方法可有效提高mRNA的表达效率，在mRNA疫苗以及发酵工程领域具有良好的应用前景。
一种 mrna 序列优化方法

[发明专利]一种多模态抑郁数据的融合分析方法-CN202211433256.2在审
发明人：张健;龚昊然;瞿星;蒋明丰;赵墨 -专利权人：四川大学华西医院
申请日： 2022-11-16 - 公布日： 2023-03-03 - 主分类号： G16H50/20 文献下载
摘要：本发明公开了抑郁数据融合领域的一种多模态抑郁数据的融合分析方法，旨在对多阶段录入的不同类别数据进行情绪特征提取和融合。针对不同类别数据，先根据其特点提出数据特征。之后，不同模态的数据特征分别通过三个线形层求出K值、Q值和V值表达，再根据融合抑郁数据注意力机制，利用K，Q计算各模态数据的注意力A，将A·V作为融合后的特征，服务下游任务。与现有的通过单一模态研究抑郁症的技术相比，本技术方案不易受到个体差异等因素的影响，能更好地利用病例集合对患者个体差异的甄别特征，随后根据甄别特征融合患者的图像、动作和声音，实现综合式诊断。
一种多模态抑郁数据融合分析方法

[发明专利]医学图像处理和分析方法、计算机设备、系统和存储介质-CN202111108896.1有效
发明人：蒋明丰;周小波;龚昊然 -专利权人：四川大学华西医院
申请日： 2021-09-22 - 公布日： 2021-12-03 - 主分类号： G06K9/62 文献下载
摘要：本发明属于医学图像处理技术领域，具体涉及一种医学图像处理和分析方法、计算机设备、系统和存储介质。本发明的医学图像处理方法步骤如下：基于初始的已标注医学图像样本训练得到深度学习模型；完成前向传播过程，基于香农定理将预测结果转化为熵图；挑选出不重复信息量总和最高的一批候选医学图像样本；挑选出的候选医学图像样本经过标注后与所有已标注医学图像样本合并，训练得到新的深度学习模型；重复以上步骤，直至遍历所有的候选医学图像样本或模型提前达到某一目标性能。本发明还提供了一种利用上述深度学习模型进行图像分析的方法。本发明能够减少对医学图像的标注量降低深度学习模型的使用成本，具有很高的应用价值。
医学图像处理分析方法计算机设备系统存储介质