-
公开(公告)号：CN119670748A
公开(公告)日：2025-03-21
申请号：CN202411691714.1
申请日：2024-11-25
IPC: G06F40/295 , G06F40/126 , G06N3/045 , G06N3/048 , G06N3/0464 , G06F17/16 , G06F40/30
Abstract: 本申请实施例提供了一种实体关系联合抽取方法和装置。该方法包括：首先识别文本中的所有可能主语；之后设定阈值K，抽取文本中最可能出现的K个关系；然后对每个主语应用关系特定标记器，同时识别这K个关系所对应的宾语，最后构建出完整的三元组。本申请实施例的方法和装置，能够提高模型的准确性和鲁棒性。
-
公开(公告)号：CN117215784A
公开(公告)日：2023-12-12
申请号：CN202311167595.5
申请日：2023-09-12
Applicant: 湖南大学
IPC: G06F9/50 , H04L67/63 , G06F9/48 , G06N3/098 , G06N3/0985
Abstract: 本发明公开了一种基于算力网络的分布式机器学习调度方法，包括：服务节点设置全局迭代计数器i＝1，服务节点判断i是否等于预先设定的阈值，如果不是则服务节点获取第i轮迭代时该服务节点的数据，服务节点读取服务节点的数据Qs中第i次局部迭代时的工作节点列表li，并将数据Qs分别发送到该工作节点列表li中的所有工作节点，每个工作节点对来自服务节点的数据Qs执行局部迭代操作，以获取机器学习模型的训练结果和该工作节点的计算资源信息，并将机器学习模型的训练结果和该工作节点的计算资源信息发送到服务节点，服务节点对机器学习模型的训练结果中的所有权重文件进行加权平均操作，以得到平均权重文件。本发明减少了频繁的通信带来的通信开销。
-
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：CN117350052A
公开(公告)日：2024-01-05
申请号：CN202311323632.7
申请日：2023-10-13
Applicant: 湖南大学
Abstract: 本发明公开了一种基于算力网络的算力服务能力模型构建方法，包括：获取多个算力资源，对获取的算力资源进行标准化处理，以得到多个资源描述三元组 ，所有资源描述三元组构成资源描述模型；获取所有算力资源的资源性能，并利用资源描述模型，对获取的所有算力资源的资源性能进行建模，以构建资源性能模型；获取所有算力资源的服务能力，并利用资源性能模型，对获取的所有算力资源的服务能力进行建模，以构建最终的算力服务能力模型。本发明能够解决现有算力网络在建模时，缺乏一套从算力资源开始一直到统一的算力服务能力模型的建模方式的技术问题；以及算力网络建模时没有考虑到算力度量前后操作的技术问题。
-
公开(公告)号：CN117290066A
公开(公告)日：2023-12-26
申请号：CN202311042472.9
申请日：2023-08-18
Applicant: 湖南大学
Abstract: 本发明公开了一种基于算力网络计算体系架构的调度方法，其从两个方面提高计算资源调度的效率，包括减少总调度时间和提高计算资源利用率：首先按照优先级为所有计算任务排序并获取优先级最高的计算任务作为待处理的计算任务。接着对于每个待处理的计算任务寻找符合要求的算力资源池。若不存在符合要求的算力资源池，则降低该计算任务的优先级并处理下一个计算任务。若只存在一个符合要求的算力资源池，则将唯一的算力资源池分配给该计算任务。若存在多个符合要求的算力资源池，则使用粒子群优化算法为计算任务获取算力资源池分配的全局最优解。
-
Patent Agency Ranking
公开(公告)号：CN117271097A
公开(公告)日：2023-12-22
申请号：CN202311332486.4
申请日：2023-10-16
Applicant: 湖南大学
Abstract: 本发明公开了一种基于算力网络的资源感知与编排方法，包括：将待感知的所有资源放入资源池层中云服务器上的多对象跟踪基准测试MOT数据集中，以构建资源池层中所有资源池对应的计算能力队列长度集合P(t)，其中t表示时隙；将计算能力队列长度集合P(t)输入预先训练好的算力网络调度模型中，以获取资源编排结果。本发明能够解决现有基于集群编排的方法资源由于缺乏对算力网络资源的全局感知和动态调度能力，无法根据实时需求进行资源的优化分配和调度，导致资源利用不均衡和性能瓶颈的技术问题。
-
公开(公告)号：CN119814779A
公开(公告)日：2025-04-11
申请号：CN202411857853.7
申请日：2024-12-17
Applicant: 湖南大学
IPC: H04L67/10 , H04L67/1042 , G06F9/50
Abstract: 本发明公开了一种基于Spark负载均衡的任务调度方法，其首先获取计算资源信息，数据存储信息，并定义通信成本计算方式，再对三者进行统一建模；然后采用匈牙利算法对建立的统一模型求得全局状态下的最优解；最后将获得的任务调度表内置于Spark自带的任务调度器内部，并屏蔽原有的基于贪心算法的调度方案。本发明能够解决现有使用贪心算法的调度方法由于该方法在执行的每一步都选择当前最优，而缺少全局视角，因此导致最终的调度策略陷入局部最优的情况，进而影响调度性能的技术问题，以及由于该方法仅仅考虑到本地性级别高带来的性能提升，却没有考虑等待时间带来的性能的损耗，因此会造成总体通信消耗大、CPU利用率低的技术问题。
-
公开(公告)号：CN119094310A
公开(公告)日：2024-12-06
申请号：CN202411149801.4
申请日：2024-08-21
Applicant: 湖南大学
IPC: H04L41/042 , H04L41/044 , H04L41/0823 , H04L41/5019
Abstract: 本发明公开了一种面向算力调度与服务的区域算力网络基础架构，包括算力节点基础设施层、算力网络感知层、算力描述层、算力资源层、算力路由层、算力服务层、以及算力网调度层，算力节点基础设施层用于提供多种算力资源，并将所有算力资源发送到算力网络感知层，算力网络感知层用于通过网络将来自算力节点基础设施层的多个算力资源进行网络接入处理，以得到区域算力网络资源，并将其发送到算力描述层，算力描述层用于使用算力能力模板对来自算力网络感知层的区域算力网络资源进行映射处理，以将区域算力网络资源映射到统一的量纲维度，并得到区域算力网络资源的抽象描述。本发明能解决现有算力调度与综合管理技术难以提供异构算力服务的技术问题。
-
公开(公告)号：CN118227379A
公开(公告)日：2024-06-21
申请号：CN202410405944.0
申请日：2024-04-07
Applicant: 湖南大学
Abstract: 本发明公开了一种面向算力网络的灾备迁移方法，包括：主节点获取当前应用进程所处模式和Kubernetes集群中的容器的状态，将获取的应用进程所处模式切换为检查点模式，并在该检查点模式下，使用用户空间中的检查点/恢复CRIU软件将获取的Kubernetes集群中的容器的状态转换为容器组Pod状态映像文件，主节点利用Ceph可靠自主分布式对象存储块设备Ceph RBD将Pod状态映像文件转换为同时包括Pod状态信息和持久化数据卷备份的Pod备份文件，当前备份节点从主节点获取Pod备份文件并将其冷备，并将该Pod备份文件迁移到目标集群，目标集群利用得到的Pod备份文件实现Kubernetes集群中的Pod恢复。本发明能解决现有跨区域部署方法由于在不同地理位置重复部署应用和服务，导致占用过多算力资源的技术问题。
-
公开(公告)号：CN118133827A
公开(公告)日：2024-06-04
申请号：CN202410238979.X
申请日：2024-03-04
Applicant: 湖南大学
IPC: G06F40/295 , G06F40/247 , G06F40/151 , G06F16/36
Abstract: 本发明公开了一种基于邻居节点选择与特征汇聚的实体消歧方法，其从两个方面提升实体消歧的效果，一方面利用BERT预训练词向量模型对实体本身信息与其属性进行编码，因为属性信息本身是区分实体“一词多义”和“多词同义”直接有效的信息，同时也更好的关注了实体节点本身特征；另一方面，对于利用实体本身信息无法进行消歧的实体，此时利用与待消歧实体有关联的邻居实体信息进行辅助判断，通过邻居节点采样与特征汇聚形成了带邻居实体信息的待消歧节点信息，提升了实体消歧的准确性，同时解决了传统基于深度学习和基于图的实体消歧方法效率不高的问题。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.016 seconds)
