公开(公告)号：CN116597229A

公开(公告)日：2023-08-15

申请号：CN202310632389.0

申请日：2023-05-31

Applicant: 武汉大学

Inventor： 吴黎兵 ,  蔡吉燕 ,  张壮壮 ,  王一周 ,  马超

IPC: G06V10/764 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/084 ,  G06N3/0895

Abstract: 本发明提供一种基于变分自编码器和多维模态对齐的零样本图像分类方法，包括以对零样本学习设置中可见类样本集和语义描述集进行定义以及各个模态进行处理的变分自编码器VAE进行建模；定义各模态在隐含空间不同维度的中间分布函数Z1、Z2以及相关损失函数LDA、LCAn、LVAEn，其中，LDA为分布对齐损失，表示不同模态间在隐含空间的距离损失函数，LCAn为交叉重建损失，表示不同模态样本进行的交叉重构损失函数，LVAEn为关于变分自编码器的损失函数；依据半监督学习算法构建基于多维信息空间对齐的n‑CADA‑VAE；准备实验训练数据和测试数据；训练并保存，然后对模型进行测试并评估，在通过评估后基于模型进行图像分类。本发明在广义零样本学习和少样本学习中都具有优异的性能。

公开(公告)号：CN116545700A

公开(公告)日：2023-08-04

申请号：CN202310524368.7

申请日：2023-05-08

Applicant: 武汉大学

Inventor： 吴黎兵 ,  毛智超 ,  张壮壮 ,  马亚军 ,  刘芹

IPC: H04L9/40 ,  H04L12/40

Abstract: 本发明提供一种基于深度信念网络的CAN总线入侵检测方法及系统，属于入侵检测技术领域，包括：确定基于控制器局域网CAN报文规则过滤器和基于深度信念网络的初始检测模型；采用不同的预设训练数据集和预设测试数据集，对基于CAN报文规则过滤器和初始检测模型进行训练，得到入侵组合检测模型；对待检测CAN报文进行预处理得到预处理报文；将预处理报文输入入侵组合检测模型，输出CAN总线入侵检测结果。本发明在车载环境中，利用CAN报文构建过滤器，能提高检测精度，减少检测过程时间开销，克服带攻击数据集难以获取的问题，全部使用无攻击的正常报文来进行模型训练，对于混合攻击的检测准确率，能实现更优的误报率以及精确度。

公开(公告)号：CN115168902A

公开(公告)日：2022-10-11

申请号：CN202210882955.9

申请日：2022-07-26

Applicant: 武汉大学

Inventor： 吴黎兵 ,  张壮壮 ,  曹书琴 ,  王敏 ,  张瑞

IPC: G06F21/62 ,  G06F16/242 ,  G06N20/20

Abstract: 本发明公开了一种分组可验证的链式隐私保护联邦学习方法及装置，首先提出了一种分组的链式学习机制来保证用户在训练阶段的隐私，然后提出了一个可验证的安全聚合协议来保证全局模型的可验证性。具体来说，本发明首先将用户分成不同组进行模型训练，并每组将训练结果和验证标签上传到聚合服务器；然后聚合服务器对训练结果和验证标签进行聚合，并返回聚合结果即全局模型；最后用户对聚合后的标签进行验证，在验证通过后接受该聚合结果。本发明在不引入复杂密码学原语的基础下通过分组的链式学习机制保证了客户端的隐私，并通过可验证的聚合协议实现了聚合结果的可验证性，计算开销较低，可解决资源受限场景下的联邦学习需求。