-
公开(公告)号：CN112185395B
公开(公告)日：2021-04-27
申请号：CN202010920024.4
申请日：2020-09-04
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本发明提出一种基于差分隐私的联邦声纹识别方法，包括一：在服务端进行通用背景模型UBM预训练得到初始通用背景模型UBM；二：客户端接收预训练后的初始通用背景模型UBM，利用本地的私有语音数据进行初始通用背景模型UBM的学习；三：客户端学习得到的统计量进行差分隐私保护；四：服务端聚合多个客户端上传的差分隐私保护后的统计量，更新初始通用背景模型UBM；五：客户端接收更新后通用背景模型UBM，借助本地私有语音数据调整得到该客户端用户的高斯混合模型GMM，利用更新后通用背景模型UBM和该用户的高斯混合模型GMM判别待验证语音是否为该客户端用户所产生。
-
公开(公告)号：CN111260040B
公开(公告)日：2020-11-06
申请号：CN202010370070.1
申请日：2020-05-06
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本发明提供了一种基于内在奖励的视频游戏决策方法，包括以下步骤：S1、获取视频游戏模拟环境；S2、构建神经网络模型；S3、设计内在奖励模型；S4、将内在奖励模型与构建的神经网络模型结构结合；S5、通过模拟环境获取游戏的记录；S6、通过获取的游戏记录，更新神经网络模型；S7、循环训练神经网络模型直至收敛。本发明的有益效果是：较好的解决了三维场景中较为常见的缺乏环境反馈奖励值的问题。
-
公开(公告)号：CN111291890A
公开(公告)日：2020-06-16
申请号：CN202010399728.1
申请日：2020-05-13
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本发明提供了一种博弈策略优化方法、系统及存储介质，该博弈策略优化方法包括建立基于最大熵的策略递度算法步骤和多智能体最优反应策略求解步骤。本发明的有益效果是：本发明采用中心化训练和分散式执行的方式，提高动作估值网络的准确性，同时引入了全局基线奖励来更准确地衡量智能体的动作收益，以此来解决人博弈中的信用分配问题。同时引入了最大熵方法来进行策略评估，平衡了策略优化过程中的探索与利用。
-
公开(公告)号：CN118982063A
公开(公告)日：2024-11-19
申请号：CN202411456528.X
申请日：2024-10-18
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06N3/098 , G06F18/214 , G06F18/2431
Abstract: 本申请公开了基于联邦学习的模型训练方法、系统及相关设备，涉及计算机技术领域，方法包括：向客户端下发待训练的全局模型，触发各客户端进行模型更新获得前一轮次训练完成后的客户端本地模型，并基于客户端本地数据对客户端本地模型进行模型训练后获得客户端本地训练模型；获取客户端的第一贡献度计算指标值；根据第一贡献函数、共享数据集和客户端的前一轮次训练完成后的客户端本地模型确定第一指标系数；从而确定各客户端的第一贡献度值，并根据第一贡献度值确定目标客户端；根据目标客户端对应的当前轮次的客户端本地训练模型获得当前轮次训练完成后的全局模型。本申请方案有利于提高模型训练的准确性。
-
公开(公告)号：CN115497555B
公开(公告)日：2024-01-05
申请号：CN202210980663.9
申请日：2022-08-16
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本申请公开了一种多物种蛋白质功能预测方法、装置、设备及存储介质，属于生物信息技术领域，该方法包括：将多物种蛋白质的标签矩阵和特征矩阵输入预先构建的跨物种异构网络；在所述跨物种异构网络的每个传播层传播所述标签矩阵和所述特征矩阵，获得传播后的目标标签矩阵和目标特征矩阵；将所述目标标签矩阵和所述目标特征矩阵进行加权获得预测得分矩阵，并基于所述预测得分矩阵获得所述多物种蛋白质(56)对比文件WO 2021041199 A1,2021.03.04WO 2022104265 A1,2022.05.19宋宝兴等“.基于蛋白质相互作用网络挖掘物种内的功能相似蛋白质”《.生物物理学报》.2011,第27卷(第9期),第789-800页.潘怡等.“加权优先级网络在蛋白质功能预测中的应用研究”《.小型微型计算机系统》.2017,第38卷(第9期),第1977-1982页.黄佳“.基于拓扑和序列的多生物网络比对算法的研究”《.《中国优秀硕士学位论文全文数据库》.2022,(第1期),第A006-454页.chen lei等.“Identifying novel proteinphenotype annotations by hybridizingprotein-protein interactions and proteinsequence similarities”《.Moleculargenetics and genomics : MGG》.2016,第291卷(第2期),第913-934页.H Wang等“.Combining graphconvolutional neural networks and labelpropagation”《.ACM trans》.2021,第40卷(第4期),第1-27页.
-
Patent Agency Ranking
公开(公告)号：CN115497555A
公开(公告)日：2022-12-20
申请号：CN202210980663.9
申请日：2022-08-16
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本申请公开了一种多物种蛋白质功能预测方法、装置、设备及存储介质，属于生物信息技术领域，该方法包括：将多物种蛋白质的标签矩阵和特征矩阵输入预先构建的跨物种异构网络；在所述跨物种异构网络的每个传播层传播所述标签矩阵和所述特征矩阵，获得传播后的目标标签矩阵和目标特征矩阵；将所述目标标签矩阵和所述目标特征矩阵进行加权获得预测得分矩阵，并基于所述预测得分矩阵获得所述多物种蛋白质的功能预测得分。如此，基于跨物种异构网络上实现了标签与特征的同时传播，提高了多物种蛋白质功能的预测的准确性和有效性。
-
公开(公告)号：CN114422606A
公开(公告)日：2022-04-29
申请号：CN202210249791.6
申请日：2022-03-15
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本申请公开了一种联邦学习的通信开销压缩方法、装置、设备及介质，包括：根据联邦学习中的模型参数在训练前后的变化幅度确定基本参数，并将基本参数所在的卷积核中的所有模型参数确定为待传输参数；基于卷积核的目标特征将卷积核中的待传输参数封装至不同数据包中；对不同数据包中的待传输参数进行二值量化，并对待传输参数对应的索引进行位置编码，如此一来，由于一个卷积核内所有待传输参数的位置信息都是固定的，因此一个索引可以反应整个卷积核中所有待传输参数的位置信息，一定程度上降低了索引的通信开销，同时，本申请通过对待传输参数进行量化，对待传输参数对应的索引进行位置编码，进一步减少了通信开销。
-
公开(公告)号：CN113553610B
公开(公告)日：2021-12-31
申请号：CN202111103182.1
申请日：2021-09-22
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本发明公开了一种基于同态加密和可信硬件的多方隐私保护机器学习方法，包括：将私钥sk发送给各个数据方和可信硬件R；服务器S整合各个数据方上传的密文数据得到密文数据集；服务器S在密文数据集的基础上，将普通机器学习算法中的线性运算替换为同态加法和同态乘法，在密文状态下进行机器学习建模；服务器S在完成密文下的机器学习建模后，将加密的模型密文下发给各个数据方；各个数据方利用私钥解密模型密文，得到由各个数据方的数据D训练得到的模型。本发明利用全同态加密的性质、以及依靠可信硬件实现的模拟自举和执行激活函数功能，能够获得与对未加密数据进行机器学习训练的模型一致的准确率。
-
公开(公告)号：CN111260039B
公开(公告)日：2020-08-07
申请号：CN202010369831.1
申请日：2020-05-06
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本发明提供了一种基于辅助任务学习的视频游戏决策方法，包括以下步骤：S1、构建神经网格模型；S2、启动多进程视频游戏环境；S3、判断是否运行了指定轮次，如果否，则进入步骤S4，如果是，则进入步骤S6；S4、获取游戏经验，更新经验池；S5、将经验输入到神经网格模型，更新神经网格模型参数，返回步骤S3；S6、保存神经网格模型；S7、在视频游戏里利用神经网格模型决策；S8、结束。本发明的有益效果是：可以更准确地估计三维场景中的状态价值以及引起状态改变的智能体动作。
-
公开(公告)号：CN111260039A
公开(公告)日：2020-06-09
申请号：CN202010369831.1
申请日：2020-05-06
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本发明提供了一种基于辅助任务学习的视频游戏决策方法，包括以下步骤：S1、构建神经网格模型；S2、启动多进程视频游戏环境；S3、判断是否运行了指定轮次，如果否，则进入步骤S4，如果是，则进入步骤S6；S4、获取游戏经验，更新经验池；S5、将经验输入到神经网格模型，更新神经网格模型参数，返回步骤S3；S6、保存神经网格模型；S7、在视频游戏里利用神经网格模型决策；S8、结束。本发明的有益效果是：可以更准确地估计三维场景中的状态价值以及引起状态改变的智能体动作。
-
-
-
-
-
-
-
-
-
Search Results
121
records
(took 0.047 seconds)
