-
公开(公告)号：CN119357688A
公开(公告)日：2025-01-24
申请号：CN202411298789.3
申请日：2024-09-14
Applicant: 杭州高新区(滨江)区块链与数据安全研究院 , 浙江大学
IPC: G06F18/22 , G06F18/25 , G06F18/214 , G06F16/242 , G06F16/2455 , G06N3/0455 , G06N3/0475 , G06N3/0895
Abstract: 本申请涉及一种数据库的模式匹配方法、装置、计算机设备和存储介质，其中，该方法包括：获取数据库的模式信息和查询日志；模式信息包括源模式和目标模式；将模式信息输入到训练完备的第一模型中进行编码，得到属性编码；将查询日志输入到训练完备的第二模型中进行编码，得到查询语句编码；根据属性编码和查询语句编码，确定源模式中源属性与目标模式中目标属性之间的匹配结果；直到完成数据库中所有属性的遍历，得到模式匹配结果。通过本申请，解决了需要手动定义规则，导致匹配结果准确率低的问题，利用训练完备的第一模块结合第二模型来有效地集成结构化查询语言表示和模式表示，提高模式匹配的准确性。
-
公开(公告)号：CN119357234A
公开(公告)日：2025-01-24
申请号：CN202411296629.5
申请日：2024-09-14
Applicant: 杭州高新区(滨江)区块链与数据安全研究院 , 浙江大学
IPC: G06F16/2455 , G06F16/242 , G06N3/08
Abstract: 本申请涉及一种数据协同查询方法、装置、计算机设备及存储介质。所述方法包括：获取查询信息，并基于所述查询信息确定查询关系算子与至少一个目标模型算子；在数据库中预设执行规则，并基于所述目标模型算子确定目标模型在数据库中的所述执行规则，所述执行规则基于所述目标模型的模型参数以及模型计算图确定；基于所述查询关系算子以及所述执行规则，从所述数据库中确定查询结果。本申请实施例可以基于查询关系算子以及数据库中的执行规则，自动实现数据查询过程，得到数据查询结果，而不再需要用户手动解析目标模型，以及根据目标模型手动编写大量的SQL。本申请不仅降低了人工成本，还有效缩短了数据查询的时间，进而显著提高了数据查询的效率。
-
公开(公告)号：CN115859705A
公开(公告)日：2023-03-28
申请号：CN202211319305.X
申请日：2022-10-26
IPC: G06F30/23 , G06F111/04 , G06F111/10 , G06F113/08
Abstract: 本发明公开了一种基于主动旋转椭圆柱的流致振动能量利用方法，包括：步骤1、将旋转椭圆柱物理模型引入预构建的外流场中，获得对应的流场物理模型；步骤2、采用高精度数值模拟方法对流场物理模型进行仿真，获得流场随时间分布情况以及旋转椭圆柱的运动数据；步骤3、根据步骤2获得的数据，对旋转椭圆柱的振动响应结果进行分析，获得振幅变化特征以及锁定时折合速度随旋转频率变化的规律。本发明提供的方法通过赋予椭圆柱主动旋转的自由度并优化椭圆柱长径比以及主动调整旋转转速达到显著增大共振区振动峰值振幅、增强振动稳定性的目的。
-
公开(公告)号：CN119474276B
公开(公告)日：2025-05-13
申请号：CN202510027118.1
申请日：2025-01-08
Applicant: 浙江大学
IPC: G06F16/332 , G06F16/33 , G06N5/04 , G06N5/022
Abstract: 本发明公开了一种面向检索增强生成系统的错误定位方法、电子设备、介质，包括：获取检索增强生成系统的中间执行结果，包括：用户问题、原始检索相关文档、模型响应、标准答案；将原始检索相关文档插入第一提示词模板中，输入至第一大语言模型，提取原始检索事实三元组；将所有原始检索事实三元组插入第二提示词模板中，输入至第二大语言模型，判断所有原始检索事实三元组能否推导答案以回答用户问题；若能推导答案，则判定检索增强生成系统中的检索器正常；反之，则判定检索器异常；将用户问题、模型响应、标准答案、原始检索事实三元组输入至第三大语言模型中，判定模型响应的准确完整性，从而判断检索增强生成系统中的大语言模型是否异常。
-
公开(公告)号：CN114580660B
公开(公告)日：2025-04-01
申请号：CN202210176600.8
申请日：2022-02-25
Applicant: 浙江大学
IPC: G06F18/25 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于注意力特征信息的BERT模型融合方法，该方法利用每个原模型对输入文本的隐藏表示信息，来计算每个原模型的权重，然后利用每个原模型的权重信息，对原模型的注意力特征信息进行加权融合，最后利用融合后的注意力特征信息对新模型进行调整，提高新模型的表现效果。该方法可以充分利用BERT模型的注意力特征信息，提高融合后BERT模型的表现效果。相比于其他融合方法，本方法可以有效地完善融合后模型的注意力特征信息，使得融合后的模型对文本的注意力特征更加完整，进而提高融合后模型的表现效果。
-
Patent Agency Ranking
公开(公告)号：CN111797911B
公开(公告)日：2024-02-09
申请号：CN202010573202.0
申请日：2020-06-22
Applicant: 浙江大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种图像数据多标签分类方法，该方法首先构建图片的拓扑关系，然后用基于协作的多标签传播算法(CMLP)来解决半监督多标签学习(SSML)问题，从而获得无标记图片的置信矩阵 本发明能够充分地利用多标签图像数据的多个标签之间的相关性来提升图片的多标签分类预测性能，提高了准确度和鲁棒性，同时能够挖掘无监督图像数据的分布信息，很好地解决半监督多标签学习问题，其性能优于现有的半监督图像数据多标签分类方法。
-
公开(公告)号：CN117349235A
公开(公告)日：2024-01-05
申请号：CN202311418655.6
申请日：2023-10-30
Applicant: 浙江大学
Abstract: 本发明公开了一种基于LSM‑Tree的KV存储系统、电子设备、介质，包括：易失性内存，用于缓存新写入的数据并查找新写入的数据；持久化内存，包括多布谷鸟过滤器用于索引全局数据；所述多布谷鸟过滤器包括若干个布谷鸟过滤器，每一布谷鸟过滤器中包含由一张哈希表，哈希表表内有若干个哈希桶，每个哈希桶内有4个哈希槽，每个哈希槽的大小为64个字节，其中高32字节用于存储键值对中键的指纹，低32字节用于存储相应键值对所在的文件编号；磁盘，所述磁盘使用单层文件结构以持久化键值对数据，并存储数据日志以及系统日志；其中，单层文件结构基于文件之间的重合度将重合重程度最高的若干个文件在下一轮合并操作中被合并。
-
公开(公告)号：CN116628136A
公开(公告)日：2023-08-22
申请号：CN202310660570.2
申请日：2023-06-05
Applicant: 浙江大学
IPC: G06F16/33 , G06F16/35 , G06F40/253 , G06F16/332 , G06N5/04 , G06N3/02
Abstract: 本发明公开了基于声明式推理的协同查询处理方法、系统、电子设备，包括：步骤S1，将查询文本输入至语法分析器得到语法分析树，进而利用关系代数运算符替换语法分析树中的节点和结构，产生关系代数表达式，并利用代数定律进行等价转化，得到逻辑查询计划；步骤S2，将逻辑查询计划转换为中间查询计划；包括：基于类别约束和精度约束为逻辑查询计划中的DIF查找代价最小的NN模型；步骤S3，将中间查询计划转换成物理查询计划；包括：通过确定实现DIF的NN模型的运行方式为中间查询计划中的每个算子选择实现方式，以获取代价最低的物理查询计划。
-
公开(公告)号：CN116128051A
公开(公告)日：2023-05-16
申请号：CN202211393015.X
申请日：2022-11-08
Applicant: 浙江大学 , 城云科技(中国)有限公司
Abstract: 本发明公开了一种激励驱动的链上半异步联邦学习方法，该方法提出将联邦学习任务部署在区块链平台上，利用区块链平台所流通的数字货币来奖励对联邦学习做出贡献的参与者，并利用智能合约来实现完全去中心化地协调多参与者协同配合，在不暴露各方数据隐私的前提条件下迭代多轮优化任务所需的全局模型，同时保证联邦学习过程中的信息不被篡改且能够被查询。与传统的联邦学习方法相比，本发明一方面可以吸引更多的参与者持续为联邦学习贡献本地算力和通信资源，另一方面可以提高联邦学习抵抗恶意攻击的能力，防止所训练模型被恶意参与者操控，能够适应于各种在信任难以建立的环境之中的联邦学习。
-
公开(公告)号：CN115913685A
公开(公告)日：2023-04-04
申请号：CN202211393072.8
申请日：2022-11-08
Applicant: 浙江大学
IPC: H04L9/40 , G06N3/098 , G06F18/214
Abstract: 本发明公开了一种激励驱动的联邦欺诈防御方法，本发明首先提出了激励驱动的联邦欺诈者模型，提出保护隐私与验证信息真实性之间的矛盾。进而，提出了一种激励驱动的联邦欺诈防御方法，确保欺诈者无法满足其目标的激励/花费比值来上报与激励分配相关的本地信息，而不是通过遵守学习规则获得与其本地数据集相关的真实的本地信息，即参与者有较少的经济动机来产生一个编造的本地信息而不是真实的本地信息。实验表明，该防御方法能够有效抵御欺诈者，并且不会给客户和服务器带来过多的传输和计算代价。
-
-
-
-
-
-
-
-
-
Search Results
188
records
(took 0.057 seconds)
