-
公开(公告)号：CN113822315A
公开(公告)日：2021-12-21
申请号：CN202110671978.0
申请日：2021-06-17
Applicant: 深圳市腾讯计算机系统有限公司 , 北京大学
Abstract: 本申请实施例提供了一种属性图的处理方法、装置、电子设备及可读存储介质，涉及人工智能及区块链技术领域。该方法包括：获取训练数据集，训练数据集中的每个样本包括一个样本属性图的邻接矩阵和各节点的初始特征表示，一个节点的初始特征表示表征了节点的属性信息；对于每个样本属性图，基于原始信息中的至少一项确定图的初始图结构特征，并基于图中各节点的初始特征表示，确定图中各节点之间的第一相似度；基于训练数据集对初始的图卷积神经网络模型重复执行训练操作，直至训练损失值满足训练结束条件，得到训练好的图卷积神经网络模型。在本申请中所得到的目标特征表示中保留了原始图结构信息以及各节点之间的相似度。
-
公开(公告)号：CN113312855B
公开(公告)日：2021-12-10
申请号：CN202110854074.1
申请日：2021-07-28
Applicant: 北京大学
Abstract: 本发明涉及一种基于搜索空间分解的机器学习优化方法、电子设备及介质，本方法包括：构造模块抽象，用于固定搜索空间中部分超参数的取值，优化所述搜索空间中剩余的超参数，以最小化评价指标，从而求解子空间优化问题；其中根据固定的不同的超参数，所述构造模块抽象的实例包括联合模块，条件模块和交替模块。本发明通过使用构造模块抽象以及三种构造模块抽象的实例，可以将庞大的空间拆分成多个子空间，使用构造模块拆分空间将问题转化为每次优化迭代选择待优化子空间，并在相对较小的子空间中选择配置，从而提升了机器学习配置的搜索效率。
-
公开(公告)号：CN113312855A
公开(公告)日：2021-08-27
申请号：CN202110854074.1
申请日：2021-07-28
Applicant: 北京大学
Abstract: 本发明涉及一种基于搜索空间分解的机器学习优化方法、电子设备及介质，本方法包括：构造模块抽象，用于固定搜索空间中部分超参数的取值，优化所述搜索空间中剩余的超参数，以最小化评价指标，从而求解子空间优化问题；其中根据固定的不同的超参数，所述构造模块抽象的实例包括联合模块，条件模块和交替模块。本发明通过使用构造模块抽象以及三种构造模块抽象的实例，可以将庞大的空间拆分成多个子空间，使用构造模块拆分空间将问题转化为每次优化迭代选择待优化子空间，并在相对较小的子空间中选择配置，从而提升了机器学习配置的搜索效率。
-
公开(公告)号：CN113296918A
公开(公告)日：2021-08-24
申请号：CN202110847670.7
申请日：2021-07-27
Applicant: 北京大学
Abstract: 本发明涉及一种求解通用黑盒优化问题的计算机系统、方法及电子设备。该方法包括：由用户向服务主机提交优化任务；由所述服务主机根据负载均衡分配建议服务器，将任务信息与所述建议服务器绑定；以及由所述用户提供的验证工作者与所述建议服务器交互，持续从所述建议服务器拉取新配置，进行验证，并将结果更新至所述建议服务器，直至所述优化任务结束。本发明通过实现分布式黑盒优化的服务架构、基于局部惩罚机制的分布式并行框架以及基于验证历史的迁移学习方法，提供了一种分布式的、高容错的、可扩展的、高效的系统，获得的性能和效率优于现有系统。
-
公开(公告)号：CN111695629A
公开(公告)日：2020-09-22
申请号：CN202010530924.8
申请日：2020-06-11
Applicant: 腾讯科技(深圳)有限公司 , 北京大学
IPC: G06K9/62
Abstract: 本申请实施例公开了一种用户特征获取方法、装置、计算机设备及存储介质，属于计算机技术领域。该方法包括：调用第一特征提取模型，对已存储的目标用户标识的第一用户信息进行特征提取，得到第一用户特征，接收第一设备发送的第二用户特征，根据第一用户特征及第二用户特征，获取目标用户标识的第一组合用户特征。由第一设备为本端的第二设备提供第一设备提取得到的用户特征，而无需提供第一设备存储的原用户信息，避免了用户信息的泄露。且第二设备将第二设备和第一设备提取得到的用户特征进行组合得到组合特征，由于该组合特征包括第二设备和第一设备存储的用户信息中的特征，丰富了用户特征的信息量，提高了组合用户特征的准确性。
-
Patent Agency Ranking
公开(公告)号：CN102542057A
公开(公告)日：2012-07-04
申请号：CN201110452044.4
申请日：2011-12-29
Applicant: 北京大学
IPC: G06F17/30
Abstract: 本发明是一种基于固态硬盘的高维数据索引结构设计方法，包括步骤：将索引结构分为原始R树区和节点差异日志区两个部分，分别存储原始版本数据和原始版本与最近版本的差异日志；在内存中设计一个哈希表来存储节点及其更新在所述节点差异日志区存储位置对应关系的信息；一旦一个新的更新完成，读出这个节点更早时候的更新日志，然后将其和现在的日志合并并重新存入，作为到目前为止该节点的所有更新日志。本发明在原有R树的基础上，加入节点差异日志区，并设计了节点差异日志将随机更新的操作转化为随机更新，以提高更新的效率。本发明中的节点差异日志可以将针对某一节点的日志存储在一定范围内，节点差异日志R树的读操作最多只是原R树的两倍。
-
公开(公告)号：CN113779317A
公开(公告)日：2021-12-10
申请号：CN202110552598.5
申请日：2021-05-20
Applicant: 深圳市腾讯计算机系统有限公司 , 北京大学
IPC: G06F16/901 , G06F16/906 , G06Q40/04 , G06Q50/00
Abstract: 本申请公开一种信息预测方法、装置、存储介质及计算机设备；本申请与人工智能的机器学习领域、以及数据的存储和读取等领域相关，本申请可以获取目标图结构的结构表征数据，目标图结构包括多个节点，结构表征数据表征目标图结构的多个节点；根据结构表征数据，生成目标图结构的每个节点的多个节点数据；对每个节点的多个节点数据进行聚合处理，得到目标图结构的映射数据；基于映射数据，对目标图结构的属性信息进行预测，得到预测结果；本申请可以有效节约计算机设备资源。
-
公开(公告)号：CN113505882A
公开(公告)日：2021-10-15
申请号：CN202110531392.4
申请日：2021-05-14
Applicant: 深圳市腾讯计算机系统有限公司 , 北京大学
Abstract: 本申请公开一种基于联邦神经网络模型的数据处理方法、相关设备及介质；联邦神经网络模型中的交互层网络的模型权重被划分成：由第一参与方持有的第一权重，由第二参与方持有的第二权重；第一参与方还持有：第二权重的权重密文。方法包括：接收第一参与方发送的特征密文，特征密文是对采用第一权重对第一数据特征进行加权得到的第一加权特征，和采用权重密文对第一数据特征进行加权得到的第二加权特征进行整合得到的；对特征密文进行解密，得到目标数据特征；融合目标数据特征以及第二数据特征，得到融合数据特征；对融合数据特征进行前向计算，得到目标数据标识所对应的目标处理结果。可减少通信交互的次数，节省通信资源，提升数据处理效率。
-
公开(公告)号：CN110992432B
公开(公告)日：2021-07-09
申请号：CN201911029711.0
申请日：2019-10-28
Applicant: 北京大学
Abstract: 本发明公布了一种基于深度神经网络最小方差梯度量化压缩及图像处理方法，针对包含类别标签的有监督数据，采用深度神经网络中对梯度进行非均匀量化的网络压缩，使用韦伯分布族建模梯度分布，再通过搜索最优量化点求解量化方差最小化，使得量化误差最小，提高深度神经网络模型的收敛速度；该神经网络压缩方法用于图像分类处理，可提高图像处理效率。
-
公开(公告)号：CN102542057B
公开(公告)日：2013-10-16
申请号：CN201110452044.4
申请日：2011-12-29
Applicant: 北京大学
IPC: G06F17/30
Abstract: 本发明是一种基于固态硬盘的高维数据索引结构设计方法，包括步骤：将索引结构分为原始R树区和节点差异日志区两个部分，分别存储原始版本数据和原始版本与最近版本的差异日志；在内存中设计一个哈希表来存储节点及其更新在所述节点差异日志区存储位置对应关系的信息；一旦一个新的更新完成，读出这个节点更早时候的更新日志，然后将其和现在的日志合并并重新存入，作为到目前为止该节点的所有更新日志。本发明在原有R树的基础上，加入节点差异日志区，并设计了节点差异日志将随机更新的操作转化为随机更新，以提高更新的效率。本发明中的节点差异日志可以将针对某一节点的日志存储在一定范围内，节点差异日志R树的读操作最多只是原R树的两倍。
-
-
-
-
-
-
-
-
-
Search Results
49
records
(took 0.025 seconds)
