-
公开(公告)号：CN119782623A
公开(公告)日：2025-04-08
申请号：CN202411979263.1
申请日：2024-12-31
Applicant: 哈尔滨工业大学
IPC: G06F16/9535 , G06F18/22 , G06F40/30 , G06N5/04 , G06N3/042 , G06N3/045 , G06N3/0499
Abstract: 本发明一种基于数据因果图与反事实推理的用户偏好预测方法、系统及存储介质，涉及行为序列推荐领域，为解决现有的评分公式未充分考虑物品文本信息，且缺乏针对性去偏操作，可能将模型固有的偏差传递至最终的推荐结果中的问题。包括：步骤1、采集用户‑物品交互和物品文本数据；步骤2、构建大模型，基于大模型的序列推荐构建数据因果图，进行干预操作构建反事实世界并进行评分预测，通过计算序列与物品在真实世界和反事实世界中的匹配度、计算在真实世界和反事实世界中物品文本和序列的联合特征匹配度以及计算文本信息与序列的匹配程度，并引入超参λ2控制文本信息对结果的影响尺度，生成最终的预测评分公式；步骤3、通过大模型生成推荐结果。
-
公开(公告)号：CN119583368A
公开(公告)日：2025-03-07
申请号：CN202411431193.6
申请日：2024-10-14
Applicant: 哈尔滨工业大学
IPC: H04L41/147 , G06N3/0442 , G06N3/049 , G06N3/048 , G06N3/042 , G06N3/08 , G06F18/22 , G06F18/24 , H04L41/14 , H04L41/16
Abstract: 一种基于分层对比学习的时序异构网络链路预测方法及系统，涉及时序异构网络预测技术领域。本发明的目的是从节点级，边级和时间级三个不同微观视角对网络中的空间复杂性和时序复杂性进行挖掘和建模，以实现现实世界中时序异构网络中的节点连接行为的预测。技术要点：通过提出的链路预测方法存储节点表示向量的异构结构信息，捕获异构网络的时序演化过程，同时，捕捉异构快照之间的拓扑依赖关系，刻画复杂时序异构网络中的分布模式，从而预测实体之间动态和复杂的连接关系。不同节点和边之间的细粒度差分关系以及演变范式的区别直接影响表征学习，很大程度上影响链接预测的性能。本发明在社交推荐、交通管理中用于预测实体之间动态和复杂的连接关系。
-
公开(公告)号：CN119476419A
公开(公告)日：2025-02-18
申请号：CN202411615432.3
申请日：2024-11-13
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种多加速器异构SoC平台上深度学习负载映射优化方法及系统，涉及计算机性能能耗协同优化技术领域，用以提高深度学习推理应用的性能同时降低能耗。本发明的技术要点包括：首先提取有性能或能耗优化潜力的子网络；接着测量融合节点和子网络的性能和能耗数据；再建立解析的性能和能耗预测模型，以预测不同映射配置下推理引擎的运行时间和能耗；之后使用基于变长滑动窗口的映射优化算法搜索性能‑能耗更优的映射配置；最后生成推理引擎并遍历搜索最优的CUDA stream数量。本发明无需用户干预，可以全自动地找到性能‑能耗更优的映射配置并生成推理引擎。与现有的JEDI等方法相比，本发明性能提升更多，能耗节省也更多，同时优化过程所需时间也更短。
-
公开(公告)号：CN114217974B
公开(公告)日：2025-01-07
申请号：CN202111562519.5
申请日：2021-12-20
Applicant: 哈尔滨工业大学
Abstract: 一种云计算环境中的资源管理方法及系统，涉及云计算技术领域，用以解决云计算环境中现有的对于虚拟节点的静态资源管理不能有效提高其运行性能的问题。本发明的技术要点包括：采集虚拟节点的CPU、内存和带宽资源信息，提出一种基于DDPG的资源分配算法根据上述资源信息计算每个虚拟节点的目标资源配置量以获得资源配置决定的结果，并根据该结果对每个虚拟节点的资源进行动态的调节，从而在提高整体资源利用率的基础上提高虚拟节点运行性能；进一步地，在基于DDPG的资源分配算法中，利用Actor网络生成相应的动作输出，并通过一个动作解码过程将基于比率的输出转换为目标资源配置大小。本发明可以整体缩短不同应用程序的完成时间，且不会产生大量系统开销。
-
公开(公告)号：CN118504689A
公开(公告)日：2024-08-16
申请号：CN202410645417.7
申请日：2024-05-23
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于损失控制的分类模型成员推理防御方法及系统，涉及机器学习模型训练技术领域。本发明的技术要点包括：训练一种可防御成员推理攻击的神经网络模型；利用训练好的神经网络模型进行分类预测；其中可防御成员推理攻击的神经网络模型训练的核心包括软标签训练和损失上升：在软标签训练阶段，独热标签被替换为软标签，确保了训练样本的最小损失大于零；损失上升采用两种不同的目标来更新模型参数，提高了模型抵御成员推理攻击的鲁棒性的同时保持其效用。本发明通过交替执行软标签训练和损失上升两种策略，实现了隐私保护与模型效用之间的平衡，提升了隐私保护模型训练方法在机器学习领域的标准。
-
Patent Agency Ranking
公开(公告)号：CN112083929B
公开(公告)日：2024-04-19
申请号：CN202010918175.6
申请日：2020-09-03
Applicant: 哈尔滨工业大学
IPC: G06F8/41 , G06F8/71 , G06F1/3234
Abstract: 一种面向功率约束系统的性能‑能耗协同优化方法及装置，属于高性能计算技术领域，用以解决高性能计算中系统总体运行过程中能耗过大的问题。本发明主要通过机器学习模型预测并在OpenMP并行域级别进行功率上限设置来优化程序运行的能耗和性能，本发明包括数据采集、模型训练和代码优化三个部分，其中，数据采集包括从OpenMP并行程序中提取模型训练所需要的特征数据；模型训练包括根据功率配置和提取的特征数据对性能和能耗进行建模训练；代码优化包括根据训练得到的模型获取最优功率配置，并根据最优功率配置进行代码优化。本发明有助于通用的并行应用程序进行资源的合理利用，提高效率，同时也有助于云计算、物联网等功率约束场景下提高能量的利用率。
-
公开(公告)号：CN113704218B
公开(公告)日：2024-04-05
申请号：CN202110985351.2
申请日：2021-08-26
Applicant: 哈尔滨工业大学
IPC: G06F16/182 , G06F16/11
Abstract: 一种容器环境中运行时数据迁移方法及系统，涉及容器数据迁移技术领域，用以解决现有迁移方法在迁移过程中传输的数据量过大而导致迁移效率低下的问题。本发明的技术要点包括：对于每个用户设备，数据迁移过程包括：用户端访问新节点，新节点根据用户端请求发送数据迁移指令至旧节点；旧节点接收到数据迁移指令后，使所有运行任务有序退出并通知新节点；新节点获取旧节点连接信息并与其建立连接；旧节点通过NFS方式共享数据到新节点；新节点将旧节点数据挂载并复制到本地用户容器中，完成数据从旧节点到新节点的迁移；其中，新节点以Overlay只读方式挂载数据。本发明通过Overlay+NFS的方式实现迁移，不会拖累系统性能，优化了迁移中传输的数据量和带来的传输延迟。
-
公开(公告)号：CN112083956B
公开(公告)日：2022-12-09
申请号：CN202010971038.9
申请日：2020-09-15
Applicant: 哈尔滨工业大学
Abstract: 一种面向异构平台的复杂指针数据结构自动管理系统，涉及异构编程技术领域。本发明为了实现OpenMP Offloading程序中复杂指针数据结构在异构计算平台上的自动管理并保证数据一致性。本发明包括：信息收集模块，用于对源程序的静态分析及程序信息收集；自动转换模块，主要负责根据变量类型的不同，在适当位置修改源码并插入合适的运行时API；运行时模块，主要负责使用cudaMallocManaged( )和cudaFree( )重新实现C++标准的内存管理操作并向外提供接口。本发明可以自动管理OpenMP Offloading程序中复杂指针数据结构在CPU和GPU内存之间的内存分配、释放以及数据传输，并保证数据一致性；从而为OpenMP Offloading程序开发提供便利。
-
公开(公告)号：CN113448425B
公开(公告)日：2022-09-09
申请号：CN202110810963.8
申请日：2021-07-19
Applicant: 哈尔滨工业大学
IPC: G06F1/3234 , G06F9/50 , G06N20/00
Abstract: 一种基于强化学习的动态并行应用程序能耗运行时优化方法及系统，属于并行程序能耗优化技术领域，目的是自动地优化并行应用程序的能耗，并且不需要领域专家知识，对程序是透明的。本发明的技术要点包括：程序的阶段根据工作负载的特征，分为计算密集阶段和内存密集阶段，根据应用程序不同的实时工作负载特征，动态调整处理器功率配置，使硬件功率配置文件与运行时动态变化的程序阶段匹配；通过强化学习算法自动探索功率配置空间，根据环境反馈的奖惩信息，不断优化配置空间；最后，根据自动学习到的策略动态调整功率配置以匹配不断变化的程序阶段。本发明实现了自动且动态的并行程序
-
公开(公告)号：CN110380906B
公开(公告)日：2022-03-04
申请号：CN201910680643.8
申请日：2019-07-25
Applicant: 哈尔滨工业大学
IPC: H04L41/0823 , H04L41/12 , H04L45/02 , H04L45/12 , H04L45/586 , H04L47/125
Abstract: 一种大规模多维融合的虚拟网络映射方法，涉及虚拟网络映射技术领域。本发明为了解决现有的虚拟网络映射方法无法解决多维融合的虚拟网络映射问题以及无法适于万级以上节点数映射的问题。所述方法首先输入虚拟网络和底层物理网络；接着对多维虚拟网络拓扑进行预处理；再对底层物理网络拓扑进行简化操作，分别简化到路由器级别和交换机级别；接着进行K最短路径预算；使用混合遗传算法进行粗略映射；接着使用混合遗传算法进行精确映射，之后再映射到具体的物理主机；接着进行虚拟链路的映射，在映射成功后，输出收益比或负载均衡。提高虚拟网络映射的收益比和成功率。
-
-
-
-
-
-
-
-
-
Search Results
186
records
(took 0.034 seconds)
