-
公开(公告)号：CN102508923B
公开(公告)日：2014-06-11
申请号：CN201110374380.1
申请日：2011-11-22
Applicant: 北京大学
IPC: G06F17/30
Abstract: 本发明是一种基于自动分类和关键字标注的自动视频注释方法，包括步骤：S1：进行视频分类特征预处理；S2：提取视频的全局特征和局部特征，全局特征用于训练SVM模型，使之能识别不同的类别，局部特征用于建立多特征与关键字对应的多特征索引模型；S3：对来自用户的未经注释的视频，也是先提取全局特征和局部特征，之后先用全局特征让SVM识别出该视频具体的类别，再利用局部特征在多特征索引模型中检索相关的关键字进行注释；S4：将注释结果按照一定权重排序之后返回给用户。本发明提高了视频标注性能。
-
公开(公告)号：CN102495860B
公开(公告)日：2013-10-02
申请号：CN201110373475.1
申请日：2011-11-22
Applicant: 北京大学
IPC: G06F17/30
Abstract: 本发明是一种基于语言模型的专家推荐方法，包括步骤：S1：收集用户的发布内容来表征相应用户的知识特征，采用文本检索中的语言模型来对用户的知识特征进行基于概率的文本建模，建立的模型中具有用户专家度数据索引；S2：在用户和用户之间建立用户关系模型，用户关系模型中具有用户关系图，用户的专家度能互相给对方产生影响；S3：在给出一个查询时，根据每个用户的专家度索引信息计算原始专家度，并给出原始用户排序列表；S4：根据用户关系图之间的相互联系调整每个用户的专家度，得到最终的用户排序列表。
-
公开(公告)号：CN102508923A
公开(公告)日：2012-06-20
申请号：CN201110374380.1
申请日：2011-11-22
Applicant: 北京大学
IPC: G06F17/30
Abstract: 本发明是一种基于自动分类和关键字标注的自动视频注释方法，包括步骤：S1：进行视频分类特征预处理；S2：提取视频的全局特征和局部特征，全局特征用于训练SVM模型，使之能识别不同的类别，局部特征用于建立多特征与关键字对应的多特征索引模型；S3：对来自用户的未经注释的视频，也是先提取全局特征和局部特征，之后先用全局特征让SVM识别出该视频具体的类别，再利用局部特征在多特征索引模型中检索相关的关键字进行注释；S4：将注释结果按照一定权重排序之后返回给用户。本发明提高了视频标注性能。
-
公开(公告)号：CN120066601A
公开(公告)日：2025-05-30
申请号：CN202311641832.7
申请日：2023-11-30
Abstract: 本申请提供了一种应用程序优化方法及相关装置，优化方法涉及计算机领域，应用程序优化方法包括：获取多个环境信息；根据多个环境信息确定应用程序中运行的任务是否发生变化；若应用程序中运行的任务未发生变化，则使用第一优化模型生成第一最优配置参数，第一优化模型是基于未变化的任务对应的数据训练得到的；若应用程序中运行的任务发生变化，则使用第二优化模型生成第二最优配置参数，第二优化模型是基于变化后的任务对应的数据训练得到的；将第一最优配置参数或第二最优配置参数应用于应用程序。采用本申请提供的应用程序优化方法，可以实现应用程序的在线优化，且优化效果好、效率高。
-
公开(公告)号：CN113822315B
公开(公告)日：2025-04-11
申请号：CN202110671978.0
申请日：2021-06-17
Applicant: 深圳市腾讯计算机系统有限公司 , 北京大学
IPC: G06F18/2431 , G06F18/23213 , G06F18/22 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/0455 , G06N3/045 , G06V10/74 , G06V10/762 , G06V10/764 , G06V10/80 , G06V10/82
Abstract: 本申请实施例提供了一种属性图的处理方法、装置、电子设备及可读存储介质，涉及人工智能及区块链技术领域。该方法包括：获取训练数据集，训练数据集中的每个样本包括一个样本属性图的邻接矩阵和各节点的初始特征表示，一个节点的初始特征表示表征了节点的属性信息；对于每个样本属性图，基于原始信息中的至少一项确定图的初始图结构特征，并基于图中各节点的初始特征表示，确定图中各节点之间的第一相似度；基于训练数据集对初始的图卷积神经网络模型重复执行训练操作，直至训练损失值满足训练结束条件，得到训练好的图卷积神经网络模型。在本申请中所得到的目标特征表示中保留了原始图结构信息以及各节点之间的相似度。
-
Patent Agency Ranking
公开(公告)号：CN113505882B
公开(公告)日：2023-11-28
申请号：CN202110531392.4
申请日：2021-05-14
Applicant: 深圳市腾讯计算机系统有限公司 , 北京大学
Abstract: 本申请公开一种基于联邦神经网络模型的数据处理方法、相关设备及介质；联邦神经网络模型中的交互层网络的模型权重被划分成：由第一参与方持有的第一权重，由第二参与方持有的第二权重；第一参与方还持有：第二权重的权重密文。方法包括：接收第一参与方发送的特征密文，特征密文是对采用第一权重对第一数据特征进行加权得到的第一加权特征，和采用权重密文对第一数据特征进行加权得到的第二加权特征进行整合得到的；对特征密文进行解密，得到目标数据特征；融合目标数据特征以及第二数据特征，得到融合数据特征；对融合数据特征进行前向计算，得到目标数据标识所对应的目标处理结果。可减少通信交互的次数，节省通信资源，提升数据处理效率。
-
公开(公告)号：CN110929884B
公开(公告)日：2023-05-16
申请号：CN201911156466.X
申请日：2019-11-22
Applicant: 北京大学
IPC: G06N20/00
Abstract: 本发明公布了一种列划分的分布式机器学习优化的分类方法和装置，采用基于列划分的分布式随机梯度下降SGD方法，称为ColumnSGD，对多维度序列数据进行分类；所述多维度序列数据包括基因序列数据；所述ColumnSGD方法包括：建立分布式机器学习系统的容错机制、建立基于列划分的分布式SGD模型，通过采用将行划分数据转换为列划分数据的高效算法，并基于梯度编码提出模型掉队者问题的解决方法，实现高效分类。本发明通过采用基于列划分的结构，利用列式划分特性、分布式特性，计算模型梯度；能减少分布式机器学习系统的通讯开销及存储开销，提高计算速度，从而提高分类的效率。
-
公开(公告)号：CN113542228B
公开(公告)日：2022-08-12
申请号：CN202110680161.X
申请日：2021-06-18
Applicant: 腾讯科技(深圳)有限公司 , 北京大学
Abstract: 本申请公开了一种基于联邦学习的数据传输方法、装置以及可读存储介质，该方法包括：第一参与节点获取第一密文，根据属于第一参与节点的业务数据对第一密文进行隐私运算，生成第二密文；第一密文是指第二参与节点对初始明文进行加密处理所得的数据；对第二密文进行数值界限预估，得到第二密文对应的明文预估界限值；明文预估界限值用于表征第二密文对应的明文的数值范围；基于明文预估界限值，对第二密文进行加法偏移处理，得到第三密文；根据明文预估界限值和第三密文，生成具有多项式格式的目标压缩密文，发送目标压缩密文至第二参与节点。采用本申请，可以有效降低联邦学习任务中的通信开销，提高联邦学习任务运行的效率。
-
公开(公告)号：CN114462626A
公开(公告)日：2022-05-10
申请号：CN202210363190.8
申请日：2022-04-08
Applicant: 北京大学
Abstract: 本发明公开了一种联邦模型训练方法、装置、终端设备以及存储介质，通过第一参与方基于第一明文模型权重随机数、第二明文模型随机数密文进行同态性质计算，生成第一模型权重密文，并基于第一模型权重密文与第一训练数据生成并发送第一参与方预测输出密文至第二参与方；第二参与方根据第一参与方预测输出与第二参与方预测输出得到联合预测输出并得到预测值；第二参与方基于预测值生成联合预测输出梯度，并加密得到联合预测输出梯度密文发送至第一参与方，并根据联合预测输出梯度更新第二明文模型权重；第一参与方根据联合预测输出梯度密文得到第一模型梯度密文，并根据第一模型梯度密文更新第一模型权重密文。本发明提升了联邦模型训练的安全性。
-
公开(公告)号：CN110992432A
公开(公告)日：2020-04-10
申请号：CN201911029711.0
申请日：2019-10-28
Applicant: 北京大学
Abstract: 本发明公布了一种基于深度神经网络最小方差梯度量化压缩及图像处理方法，针对包含类别标签的有监督数据，采用深度神经网络中对梯度进行非均匀量化的网络压缩，使用韦伯分布族建模梯度分布，再通过搜索最优量化点求解量化方差最小化，使得量化误差最小，提高深度神经网络模型的收敛速度；该神经网络压缩方法用于图像分类处理，可提高图像处理效率。
-
-
-
-
-
-
-
-
-
Search Results
49
records
(took 0.03 seconds)
