一种面向Grounding DINO的量化推理加速方法及系统

    公开(公告)号:CN119443167B

    公开(公告)日:2025-04-08

    申请号:CN202510032308.2

    申请日:2025-01-09

    Applicant: 安徽大学

    Abstract: 本发明提供了一种面向Grounding DINO的量化推理加速方法及系统,属于计算机网络信息技术领域,方法包括:将待量化Grounding DINO模型中Linear层替换为W4Linear层,并获取待量化Grounding DINO模型的权重和权重矩阵的形状;根据权重矩阵的形状动态调整分组大小,基于分组大小对权重进行量化;对量化后的权重进行压缩,将待检测数据输入量化压缩后的Grounding DINO模型,模型基于W4A32行乘行去量化矩阵乘法推理出结果;解决Grounding DINO模型在资源受限的设备上部署时不能使用仅权重分组量化的问题,以及模型无法直接应用低位矩阵乘法内核的问题。

    一种基于目标子图划分的节点注入攻击方法及装置

    公开(公告)号:CN119323234B

    公开(公告)日:2025-03-21

    申请号:CN202411875946.2

    申请日:2024-12-19

    Applicant: 安徽大学

    Abstract: 本发明公开了一种基于目标子图划分的节点注入攻击方法及装置,本发明的方法包括将包含实体节点的图结构数据集作为原始图数据;通过社区检测算法将原始图数据划分为多个子图,并根据攻击目标实体节点的位置和局部结构从多个子图中选取最相关的目标子图;基于对目标子图的攻击生成注入实体节点与目标实体节点邻域特征相匹配的特征,并对注入实体节点的特征进行优化;将优化后的注入实体节点映射至原始图数据中,并根据攻击目标实体节点的邻域结构建立与原始图数据中实体节点的连接关系,以基于连接关系完成对图神经网络的对抗性攻击。本发明解决了现有图注入攻击方法在处理大规模图数据时的效率和隐蔽性问题,并且该方法具有更高的攻击成功率。

    一种针对图卷积网络的星形对抗补丁攻击方法及装置

    公开(公告)号:CN119538256A

    公开(公告)日:2025-02-28

    申请号:CN202411485804.5

    申请日:2024-10-23

    Applicant: 安徽大学

    Abstract: 本申请提出了一种针对图卷积网络的星形对抗补丁攻击方法,包括:基于具有空特征的虚假节点构建星形结构补丁,并将其注入无向图中,形成注入补丁的扰动图;从扰动图中选取属于非目标类别的节点作为辅助节点,计算每个辅助节点连接到星形结构补丁的中心节点后的损失函数特征梯度,并将其聚合,得到聚合梯度;通过多轮迭代更新虚假节点特征,在每轮迭代时,不断重复生成聚合梯度,并进行累积,直至达到预设的步数阈值,对最大梯度对应的虚假节点进行特征更新;选取受害节点连接到中心节点,并使用图卷积网络对受害节点进行节点分类,基于受害节点被分类为目标类别的比例确定攻击成功率和攻击效果。采用上述方案的本申请实现了对图数据的通用攻击。

    一种基于概念定义与数据增强的上下位关系抽取方法

    公开(公告)号:CN116502647A

    公开(公告)日:2023-07-28

    申请号:CN202310228446.9

    申请日:2023-03-06

    Applicant: 安徽大学

    Abstract: 本发明提出一种基于概念定义与数据增强的上下位关系抽取方法,包括,利用关键词抽取技术将自然文本中的概念对抽取出来,基于概念对和概念对对应的上下文关系构建概念三元组,将概念三元组的集合作为训练数据集;获取训练数据集中的每个三元组中的概念向量、概念向量之间的偏移向量以及概念定义的向量;构建输入是训练数据集,输出是概念向量之间的偏移向量、概念向量、概念定义的向量融合后的向量的上下位关系预测模型,根据训练数据集和融合后的向量对上下位关系预测模型进行训练;获取测试文本中的待预测概念三元组,将待预测概念三元组输入训练完成的上下位关系预测模型,根据输出的分量对待预测概念三元组的是否存在上下位关系进行预测。

    基于科技文档的领域趋势分析方法及系统

    公开(公告)号:CN116204608A

    公开(公告)日:2023-06-02

    申请号:CN202310228033.0

    申请日:2023-03-10

    Applicant: 安徽大学

    Abstract: 本发明涉及数据信息处理技术领域,公开了基于科技文档的领域趋势分析方法,包括:收集论文和专利数据后进行整理,形成科技文档后储存;自定义查询属性值生成科技文档筛选规则;将筛选规则划分为三种类别并按照顺序对所述科技文档进行操作;根据最终得到的所述科技文档的数据分析查询属性在历年的发展趋势。可以通过成熟的爬虫方案获取两种科技文档,并且对文档进行元数据识别和存储,方便后续的属性查询和趋势分析;从多种角度、多种属性进行对科技文档进行分析,最后得出领域趋势分析,能够实现领域趋势分析功能,并且结果展示效果丰富,结果完整。

    基于元结构技术的全局引文推荐方法、推荐系统

    公开(公告)号:CN110083696B

    公开(公告)日:2022-11-25

    申请号:CN201910326299.2

    申请日:2019-04-23

    Applicant: 安徽大学

    Abstract: 本发明公开基于元结构技术的全局引文推荐方法,对原始数据集进行文章提取、词频统计、关键短语筛选数据清洗操作,得到文章并使用文章、文章的作者、出版商和术语信息构建文章库;通过文章库中文章以及文章的作者、出版商和术语,建立异构信息网络;使用三度影响力原则选取三度以内的元结构,并依据所选的元结构和基于元结构的相似度计算技术得到文章库中文章的相似度;提出方法为每个元结构加权来融合文章间基于不同元结构获得的不同的相似度;使用优化算法优化以求得使推荐效果最优的权重;为每篇文章根据最优权重下的相似度和年份生成推荐列表。本发明通过元结构将语义信息融入到文章的相似性计算中,增强了引文推荐的可解释性。

    基于快速的层次属性网络表示学习的节点分类方法及装置

    公开(公告)号:CN111831758B

    公开(公告)日:2022-09-16

    申请号:CN202010850921.2

    申请日:2020-08-21

    Applicant: 安徽大学

    Abstract: 本发明涉及一种基于快速的层次属性网络表示学习的节点分类方法及装置,包括以下步骤:S1、构建网络G0;S2、得到一系列网络规模逐渐减小的层次属性网络;S3、获取低维向量表示;S4、获取层次属性网络节点特征;S6、将层次属性网络节点特征和标签送入到分类器中,预测未知类别的节点的标签。本发明先构建网络G0,并网络G0中的拓扑结构和节点的属性信息进行划分得到网络G1,重复划分过程,得到一系列网络规模逐渐减小的层次属性网络,层次属性网络表示方法能够很好的保留网络结构和属性信息及不同粒度的信息,从而提高节点分类的性能。

    基于网络表示学习和层次标签嵌入的专利分类方法及系统

    公开(公告)号:CN114491041A

    公开(公告)日:2022-05-13

    申请号:CN202210105810.8

    申请日:2022-01-28

    Applicant: 安徽大学

    Abstract: 本发明提供一种基于网络表示学习和层次标签嵌入的专利分类方法及系统,方法包括:获取包含类别标签等数据的专利信息;利用专利引文、发明人与权利人信息构造发明人网络和权利人网络;通过层次标签嵌入获得标签描述的语义特征表示,结合层次类别结构关联性对标签语义进行增强,得到最终层次标签语义特征表示;通过文本嵌入获得专利文本特征表示,获得最终的专利文本特征;通过网络表示学习获得网络专利节点特征,结合两个网络之间的相关性增强专利节点特征表示,融合两个网络的专利节点特征,获得最终的专利节点特征;融合专利文本特征和专利节点特征进行专利分类。解决了忽略专利类别标签在分类过程中的特征增强作用导致专利分类准确性较低的技术问题。

Patent Agency Ranking