-
公开(公告)号：CN115809092A
公开(公告)日：2023-03-17
申请号：CN202310101112.5
申请日：2023-02-13
Applicant: 湖南大学
Abstract: 本申请公开了一种基于MT3000异构处理器的深度学习计算库实现方法，属于深度学习技术领域。该方法针对天河新一代超级计算机异构处理器MT3000原型机，使用engine引擎‑stream数据流‑memory内存对象‑primitives原语四层设计框架，实现了一套完整的深度学习计算库，并针对该处理器的体系结构对卷积、池化、激活、归一化等深度学习常用算子进行计算优化，卷积算子相较于纯CPU版本实现最高加速比为7.56。
-
公开(公告)号：CN115577360A
公开(公告)日：2023-01-06
申请号：CN202211422140.9
申请日：2022-11-14
Applicant: 湖南大学
IPC: G06F21/56 , G06F17/16 , G06F18/22 , G06F18/23 , G06F18/214
Abstract: 本发明公开了一种不依赖梯度的聚类联邦学习方法及系统，本发明方法包括：客户端分别计算数据分布信息及相互的交集相似度并构造交集相似度向量；服务器收集交集相似度向量并构建相似度矩阵，对客户端进行聚类并执行模型训练，在服务器检测到模型的精度下降且确定恶意簇后，选择客户端来组成验证委员会并进行验证并投票将恶意模型排除、保留良性模型。本发明中服务器不需要依靠客户端的梯度信息进行聚类而是根据客户端的数据分布之间的交集相似度来进行聚类，避免了客户端的梯度信息泄露问题，保护了客户端的梯度安全，增强了聚类联邦学习过程中的安全性、可靠性、并且提高了训练精度。
-
公开(公告)号：CN119761461A
公开(公告)日：2025-04-04
申请号：CN202411826732.6
申请日：2024-12-12
Applicant: 湖南大学
Abstract: 本发明公开了一种保护客户端偏好隐私的混淆聚类联邦学习方法及系统，方法包括：聚类初始化步骤：S1.服务器将为每个聚类初始化模型，公钥和地址并发送给客户端；聚类身份生成步骤：S2.客户端选取损失值最小的模型，生成真实聚类标识符并进行本地更新。按照混淆比例生成多个混淆聚类身份，将其与标识符和本地模型发送给服务器，根据聚类身份进行混淆聚类。在聚类中聚合本地模型和标识符，生成混淆聚类模型和系数矩阵；聚类模型重建步骤：S3.客户端接收到服务器发送的混淆聚类模型和系数矩阵后，求解非齐次线性方程重建准确的聚类模型。进行多轮训练，直到模型符合标准。本发明能够抵御聚类联邦学习中偏好分析攻击，并且模型精度损失较小。
-
公开(公告)号：CN116886410A
公开(公告)日：2023-10-13
申请号：CN202310990937.7
申请日：2023-08-08
Applicant: 湖南大学 , 长沙尚链通信息科技有限公司
Abstract: 本发明涉及信息安全技术领域，提供了一种匿名消息传递方法、系统、消息接收设备和存储介质，应用于消息接收设备，包括：向云服务器发送检测私钥，由云服务器基于检测私钥检索对应的待接收消息得到消息集合并返回；其中，检测私钥包括消息接收设备私钥的至少一个私钥分量，私钥分量的数量决定消息集合的假阳性率；基于私钥分别生成每条待接收消息的盲化计算数据和验证计算数据发送给云服务器，由云服务器对盲化计算数据和验证计算数据进行计算得到盲化计算结果和验证计算结果并返回；当确定验证计算结果正确时，基于盲化计算结果从消息集合中排除假阳性的待接收消息，得到真实的待接收消息，从而能够减少消息接收设备的通信开销。
-
公开(公告)号：CN115809092B
公开(公告)日：2023-04-28
申请号：CN202310101112.5
申请日：2023-02-13
Applicant: 湖南大学
Abstract: 本申请公开了一种基于MT3000异构处理器的深度学习计算库实现方法，属于深度学习技术领域。该方法针对天河新一代超级计算机异构处理器MT3000原型机，使用engine引擎‑stream数据流‑memory内存对象‑primitives原语四层设计框架，实现了一套完整的深度学习计算库，并针对该处理器的体系结构对卷积、池化、激活、归一化等深度学习常用算子进行计算优化，卷积算子相较于纯CPU版本实现最高加速比为7.56。
-
Patent Agency Ranking
公开(公告)号：CN114492851A
公开(公告)日：2022-05-13
申请号：CN202210102303.9
申请日：2022-01-27
Applicant: 湖南大学
Abstract: 本发明涉及一种基于区块链的模型迁移联邦学习方法，包括如下步骤：S1.服务器在区块链上向设备发布全局模型；S2.设备通过本地数据对本地模型进行训练；S3.设备通过区块链将本地模型上传至服务器；S4.服务器从中选择满足预设选择条件的本地模型作为目标模型，提取目标特征提取器并发布；S5.设备接收特征提取器，并以特征提取器替换设备的本地模型的本地特征提取器，并继续通过本地数据对本地模型进训练；S6.设备完成本轮训练，向服务器上传本轮训练后的本地模型；S7.服务器根据本地模型更新全局模型；并判断全局模型是否满足预设条件，是则结束学习过程，否则跳转至步骤S1，进行下一轮训练。本发明具有速度快、效率高、安全性好等优点。
-
公开(公告)号：CN111698278B
公开(公告)日：2021-06-25
申请号：CN202010277264.7
申请日：2020-04-10
Applicant: 湖南大学
Abstract: 本发明公开了一种基于区块链的多云数据存储方法，包括数据存储步骤：S1.1.用户将待存储数据划分为数据块，计算第一标签；并将数据块发送给组织者节点，在区块链上发布第一标签；第一标签为数据块的同态可验证标签；S1.2.组织者节点接收数据块，并将数据块分配给云服务提供商；S1.3.云服务提供商接收组织者节点所分配的数据块，计算第二标签；第二标签为云服务提供商接收到的数据块的同态可验证标签；并从区块链获取第一标签，当第二标签等于第一标签时，云服务提供商存储所接收到的数据块。具有无需第三方审计员，就可以对多云存储的数据进行审核，确保数据安全，审核开销小等优点。
-
公开(公告)号：CN111083105B
公开(公告)日：2021-06-25
申请号：CN201911070467.2
申请日：2019-11-05
Applicant: 湖南大学
Abstract: 本发明公开了一种基于区块链的云数据持有性验证方法及系统，方法包括：区块链包括数据持有者US、存储服务提供商C；数据验证过程包括：SS1.数据持有者US将需要存储的待存数据块通过非区块链通道发送给存储服务提供商C；SS2.所述数据持有者US和所述存储服务提供商C分别以预设的第一参数为哈希参数，对所述待存数据块按照预设的哈希算法计算得到的散列值，分别记为第一散列值和第二散列值；SS3.所述存储服务提供商C通过所述区块链通道对所述第一散列值和所述第二散列值进行一致性验证，所述第一散列值和所述第二散列值相等时存储所述待存数据块，并将所述待存数据块的散列值发布到区块链。具有可靠、安全等优点。
-
公开(公告)号：CN111083105A
公开(公告)日：2020-04-28
申请号：CN201911070467.2
申请日：2019-11-05
Applicant: 湖南大学
Abstract: 本发明公开了一种基于区块链的云数据持有性验证方法及系统，方法包括：区块链包括数据持有者US、存储服务提供商C；数据验证过程包括：SS1.数据持有者US将需要存储的待存数据块通过非区块链通道发送给存储服务提供商C；SS2.所述数据持有者US和所述存储服务提供商C分别以预设的第一参数为哈希参数，对所述待存数据块按照预设的哈希算法计算得到的散列值，分别记为第一散列值和第二散列值；SS3.所述存储服务提供商C通过所述区块链通道对所述第一散列值和所述第二散列值进行一致性验证，所述第一散列值和所述第二散列值相等时存储所述待存数据块，并将所述待存数据块的散列值发布到区块链。具有可靠、安全等优点。
-
公开(公告)号：CN118628479B
公开(公告)日：2024-10-15
申请号：CN202411089789.2
申请日：2024-08-09
Applicant: 湖南大学
IPC: G06T7/00 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06T5/80 , G06T7/11 , G06T7/13 , G06V10/764
Abstract: 本申请公开了一种智能桥梁线形检测方法、装置、设备及介质，涉及桥梁检测领域，包括：获取无人机搭载相机对装配式桥梁上预置的若干组标记进行不同方位的拍摄得到的桥面图像；将桥面图像和相机畸变参数输入预设生成式对抗网络以生成校正后图像；利用标记检测模型对校正后图像中的目标标记进行检测框标注，基于椭圆检测算法确定标注后图像中的目标标记中心的二维图像坐标，利用双目立体视觉原理对在不同方位下的同一目标标记中心的二维图像坐标进行变换得到目标标记中心的三维物理坐标；基于预设基准点坐标和装配式桥梁的尺寸信息对三维物理坐标进行分析以确定装配式桥梁的线形偏差。本申请实现对装配式桥梁的智能线形检测，检测效率高且准确性高。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.027 seconds)
