基于多粒度的图卷积神经网络的假新闻检测方法及系统

    公开(公告)号:CN111046664A

    公开(公告)日:2020-04-21

    申请号:CN201911188601.9

    申请日:2019-11-26

    Abstract: 本发明公开了基于多粒度的图卷积神经网络的假新闻检测方法及系统。在一个实施例中:所述方法,通过构建不同深度距离的概率转移矩阵,形成多粒度的信息输入,借助图卷积神经网络对含有不同节点特征的关系图分别进行卷积,得到不同维度的特征在不同节点间的相关性分析结果;采用注意力机制对所述相关性分析结果进行加权求和,得到不同的注意力权重系数,进而得到新闻节点的表示,获得新闻真假性判断的结果。本发明能够对不同维度的特征在不同的节点间进行相关性分析,通过找到假新闻在不同信息特征之间的相似性,提高重要特征的权重,忽略无关特征信息的。

    一种基于位置的移动数据存储系统

    公开(公告)号:CN109815303A

    公开(公告)日:2019-05-28

    申请号:CN201811654923.3

    申请日:2018-12-29

    Abstract: 本申请涉及一种基于位置的移动数据存储系统及其优化方法,在预设的负载和存储预算的情况下,根据查询范围及存储系统中的原始数据,生成用于查询的多个候选副本,并使用查询成本评估模块对上述多个副本构成的副本集合进行评估,并从中选择出一个成本最低或接近最低的副本集合。用以实现对基于位置的移动数据大数据分布式存储系统的宽查询范围性能的优化,并在此基础上提出了贪婪算法及线性规划舍入算法进一步对存储系统的性能进行进一步的发掘。

    一种基因表达数据分类器
    15.
    发明公开

    公开(公告)号:CN109785903A

    公开(公告)日:2019-05-21

    申请号:CN201811654735.0

    申请日:2018-12-29

    Abstract: 本发明涉及电数据处理领域,具体涉及了一种基因表达数据分类器。本发明在传统的多任务深度学习处理方法的基础,设计了一款具有输入层、第一隐藏层、第二隐藏层、输出层的基因表达数据分类器。特别的,在第一隐藏层及第二隐藏层设置了共享隐藏单元,使该分类器能够对来自不同数据集、且具有不同标识的基因表达数据进行处理,有效的解决了基因表达数据分类时组织样本不足,并降低了高特征空间维度引入的不良影响。

    一种基于位置的移动数据存储系统

    公开(公告)号:CN109815303B

    公开(公告)日:2020-10-13

    申请号:CN201811654923.3

    申请日:2018-12-29

    Abstract: 本申请涉及一种基于位置的移动数据存储系统及其优化方法,在预设的负载和存储预算的情况下,根据查询范围及存储系统中的原始数据,生成用于查询的多个候选副本,并使用查询成本评估模块对上述多个副本构成的副本集合进行评估,并从中选择出一个成本最低或接近最低的副本集合。该系统用于实现对基于位置的移动大数据分布式存储系统的宽查询范围性能的优化,并在此基础上提出了贪婪算法及线性规划舍入算法进一步对存储系统的性能进行进一步的发掘。

    图像处理方法、系统、可读存储介质及智能设备

    公开(公告)号:CN110473135A

    公开(公告)日:2019-11-19

    申请号:CN201910701385.7

    申请日:2019-07-31

    Inventor: 廖清 丁烨

    Abstract: 本发明公开了一种图像处理方法、系统、可读存储介质及智能设备,所述方法包括:获取一目标标记图像,通过对抗生成网络模型对所述目标标记图像进行干扰,以得到至少一干扰图像;通过收敛模型对所述干扰图像进行收敛,将收敛合格的干扰图像作为对抗样本,并将所述对抗样本覆盖于目标标记图像上;对进行对抗样本覆盖的目标标记图像进行图像识别,以得到错误标记图像,每个用户所得到的错误标记图片均不相同;根据所述错误标记图像与当前目标标记图像中目标区域的匹配度确定错误标记图像的目标标记图像。本发明能够解决现有水印易被识别和易被干扰这的问题,提高了用户图像隐私体验的满意度,满足了实际应用需求。

    一种基于差分隐私的联邦学习方法、装置及存储介质

    公开(公告)号:CN111091199A

    公开(公告)日:2020-05-01

    申请号:CN201911335678.4

    申请日:2019-12-20

    Abstract: 本发明公开了一种基于差分隐私的联邦学习方法、装置和存储介质。所述方法包括:S1、将预设的第一模型参数下发至用户端,使所述用户端根据所述第一模型参数,基于差分隐私技术更新所述用户端本地的深度学习模型并返回第二模型参数;其中,所述第一模型参数包括隐私预算;S2、对所述第二模型参数进行参数平均化,得到第三模型参数,并将所述第三模型参数下发至所述用户端;S3、将步骤S1~S2的执行总次数作为模型训练轮次,并当所述模型训练轮次未达到预设阈值时重复执行步骤S1和步骤S2,反之结束模型训练。本发明能够保障数据隐私安全,并提高训练模型的精确度。

    一种基于差分隐私的联邦学习方法、装置及存储介质

    公开(公告)号:CN111091199B

    公开(公告)日:2023-05-16

    申请号:CN201911335678.4

    申请日:2019-12-20

    Abstract: 本发明公开了一种基于差分隐私的联邦学习方法、装置和存储介质。所述方法包括:S1、将预设的第一模型参数下发至用户端,使所述用户端根据所述第一模型参数,基于差分隐私技术更新所述用户端本地的深度学习模型并返回第二模型参数;其中,所述第一模型参数包括隐私预算;S2、对所述第二模型参数进行参数平均化,得到第三模型参数,并将所述第三模型参数下发至所述用户端;S3、将步骤S1~S2的执行总次数作为模型训练轮次,并当所述模型训练轮次未达到预设阈值时重复执行步骤S1和步骤S2,反之结束模型训练。本发明能够保障数据隐私安全,并提高训练模型的精确度。

Patent Agency Ranking