-
公开(公告)号：CN116822590A
公开(公告)日：2023-09-29
申请号：CN202310739381.4
申请日：2023-06-21
Applicant: 湖南大学
IPC: G06N3/0475 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06N3/094
Abstract: 本发明公开了一种基于GAN的遗忘衡量模型，包括依次连接的自编码器、使用训练集训练ResNet18得到的原始模型、以及在原始模型上应用遗忘策略之后得到的遗忘模型，自编码器包含一个编码器和一个解码器，编码器的第一层是二维卷积层，输入的通道数为3，输出通道数为64。卷积核的大小为3x3，步长为1，填充为1。激活函数为LeakyReLU，当输入值小于0，将输出设置为输入值的0.2倍，第二层是二维卷积层，输入的通道数为64，输出的通道数为128。卷积核的大小为4x4，步长为2。本发明能够解决现有遗忘衡量模型存在的准确率、召回率并不能精确地衡量特定数据被遗忘后，模型对该数据的处理能力是否完全消除，现有指标无法精确衡量模型对以往数据的处理能力的变化的技术问题。
-
公开(公告)号：CN117408353A
公开(公告)日：2024-01-16
申请号：CN202311332168.8
申请日：2023-10-16
Applicant: 湖南大学
IPC: G06N20/00 , G06F18/22 , G06F18/243 , G06F18/214
Abstract: 本发明公开了一种基于嵌入技术实现无损类增量学习和机器遗忘的方法，其引入了结合类增量学习和机器遗忘的方法。在数据被用以对模型训练或者用以被推理之前，本发明使用了一个预训练的ResNet50模型对数据进行嵌入提取向量，结合向量数据库和偏移至最近的类的输出策略，该方法可以在不损害模型的前提下完成类增量学习和机器遗忘的任务。
-
公开(公告)号：CN114721831A
公开(公告)日：2022-07-08
申请号：CN202210423288.8
申请日：2022-04-21
Applicant: 湖南大学
IPC: G06F9/50
Abstract: 本发明公开了一种用于优化CitcomS系统实时性能的方法，其建立了CitcomS作业中每个计算作业—该计算作业调用的其他计算作业—调用的其他计算作业的数目三者之间的对应关系，对所有的对应关系形成了调用关系图。并将CitcomS作业中的每一个计算作业划分为第一类计算作业和第二类计算作业。新的CitcomS系统中计算作业的处理逻辑如下：对每类计算作业，如果其调用的计算作业都已处理结束，或者该作业无需调用其他计算作业，将其发送给从节点进行处理。当所有计算作业处理完毕，整个CitcomS作业流程结束。本发明能够解决现有CitcomS系统程序实时性能较差、对大规模计算作业的处理能力比较差的技术问题。
-
Patent Agency Ranking
公开(公告)号：CN116090528B
公开(公告)日：2025-05-13
申请号：CN202211670584.4
申请日：2022-12-25
Applicant: 湖南大学
IPC: G06N3/063
Abstract: 本发明公开了一种面向AI的跨域数据并行训练调度方法。所述方法包括如下步骤：（1）在跨域多数据中心之间建立广域网，使各数据中心的参数服务器与全局参数服务器之间可以在广域网下互相通信；在单个数据中心内部建立高速局域网，使数据中心内的工作节点可以在高速局域网下通信；（2）基于步骤（1）搭建的通信网络，各数据中心在本地数据集上使用随机梯度下降算法训练本地的神经网络模型，在达到最大迭代次数后，聚合各数据中心的神经网络模型参数，得到全局神经网络模型参数。
-
公开(公告)号：CN114721831B
公开(公告)日：2024-09-13
申请号：CN202210423288.8
申请日：2022-04-21
Applicant: 湖南大学
IPC: G06F9/50
Abstract: 本发明公开了一种用于优化CitcomS系统实时性能的方法，其建立了CitcomS作业中每个计算作业—该计算作业调用的其他计算作业—调用的其他计算作业的数目三者之间的对应关系，对所有的对应关系形成了调用关系图。并将CitcomS作业中的每一个计算作业划分为第一类计算作业和第二类计算作业。新的CitcomS系统中计算作业的处理逻辑如下：对每类计算作业，如果其调用的计算作业都已处理结束，或者该作业无需调用其他计算作业，将其发送给从节点进行处理。当所有计算作业处理完毕，整个CitcomS作业流程结束。本发明能够解决现有CitcomS系统程序实时性能较差、对大规模计算作业的处理能力比较差的技术问题。
-
公开(公告)号：CN115908916A
公开(公告)日：2023-04-04
申请号：CN202211443275.3
申请日：2022-11-17
Applicant: 湖南大学
IPC: G06V10/764 , G06V10/774 , G06N3/084 , G06N3/04
Abstract: 本发明公开了一种基于分布式深度学习的商品图像识别方法，包括步骤：主节点获取多个商品图片{p0，p1，...，pn‑1}，并将所有商品图片平均分配给所有从节点，第i个从节点根据所需识别所有商品图片对应的图片序号集合Assignmenti，对图片序号集合对应的每个商品图片重新设置长宽大小，并经过标准化处理后，得到该商品图片对应的张量T，所有商品图片对应的张量共同构成张量集合{Ti}，第i个从节点将步骤(2)得到的所有商品图片对应的张量集合{Ti}中的所有张量依次输入训练好的深度神经网络模型中，以得到识别结果集合{resi}，并将识别结果集合{resi}发送至主节点，识别结果集合{resi}中的每个元素均为二元组(index，class)，本发明能够解决利用深度学习进行图片分类对设备要求门槛高的技术问题。
-
公开(公告)号：CN118484808A
公开(公告)日：2024-08-13
申请号：CN202410543926.9
申请日：2024-05-06
Applicant: 湖南大学
Abstract: 本发明公开了一种自动驾驶车辆投毒数据的遗忘方法，包括：获取自动驾驶车辆干净数据集和自动驾驶车辆待检测数据集；利用自动驾驶车辆干净数据集对ResNet50模型进行微调，以得到微调后的ResNet50模型，并对微调后的ResNet50模型进行强化学习RL处理，以得到分类模型M0，使用分类模型M0将自动驾驶车辆待检测数据集分类为投毒数据集Xp和正常样本数据集Xsafe，根据投毒数据集Xp和正常样本数据集Xsafe，并利用更新参数的方式对待遗忘的自动驾驶车辆感知模型Mpoisoned进行遗忘操作，以获取遗忘后的自动驾驶车辆感知模型Msafe。本发明能够解决现有基于数据筛选与验证的方法由于高度依赖于预设的质量标准和安全阈值，导致模型面对未知威胁时的脆弱性增加的技术问题。
-
公开(公告)号：CN116090528A
公开(公告)日：2023-05-09
申请号：CN202211670584.4
申请日：2022-12-25
Applicant: 湖南大学
IPC: G06N3/063
Abstract: 本发明公开了一种面向AI的跨域数据并行训练调度方法。所述方法包括如下步骤：（1）在跨域多数据中心之间建立广域网，使各数据中心的参数服务器与全局参数服务器之间可以在广域网下互相通信；在单个数据中心内部建立高速局域网，使数据中心内的工作节点可以在高速局域网下通信；（2）基于步骤（1）搭建的通信网络，各数据中心在本地数据集上使用随机梯度下降算法训练本地的神经网络模型，在达到最大迭代次数后，聚合各数据中心的神经网络模型参数，得到全局神经网络模型参数。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.014 seconds)
