-
公开(公告)号：CN106502394B
公开(公告)日：2019-06-25
申请号：CN201610907518.2
申请日：2016-10-18
Applicant: 哈尔滨工业大学深圳研究生院
Abstract: 本发明提供了一种基于脑电信号的词向量计算方法及装置，所述基于脑电信号的词向量计算方法包括：步骤S1，收集文本语料库，对文本语料库中的语料进行处理，得到以词组为单位的连续短语格式的语料；步骤S2，将连续短语格式的语料呈现给标注者，供标注者阅读，采集标注者阅读每一词组时的脑电信号；步骤S3，将采集到的词组对应的脑电信号作为预测目标，训练词向量，以当前词组为特征预测其上下文的脑电信号，构建基于脑电信号的词向量表示模型。本发明通过上述方案提高了词向量计算的准确性。
-
公开(公告)号：CN106528529A
公开(公告)日：2017-03-22
申请号：CN201610907157.1
申请日：2016-10-18
Applicant: 哈尔滨工业大学深圳研究生院
Abstract: 本发明提供了一种词语相似度计算方法及装置。所述词语相似度计算方法包括：收集未标注的词典，对所述词典中的词语进行处理，得到待标注词语对；将所述待标注词语对呈现给标注者，供标注者阅读，采集标注者阅读所述待标注词语对时的脑电信号；对采集到的脑电信号进行处理，基于处理后的脑电信号对相应的词语对进行相似度标注，构建基于脑电信号标注的词语相似度语料库。本发明提供的词语相似度计算方法及装置提高了词语相似度计算的准确性。
-
公开(公告)号：CN106491143A
公开(公告)日：2017-03-15
申请号：CN201610906907.3
申请日：2016-10-18
Applicant: 哈尔滨工业大学深圳研究生院
IPC: A61B5/16
CPC classification number: A61B5/164
Abstract: 本发明提供了一种基于脑电信号的真实性判断方法及装置。所述基于脑电信号的真实性判断方法包括：步骤S1，采集被测试者当前行为的脑电信号；步骤S2，将所述被测试者当前行为的脑电信号与预先存储的样本脑电信号相比对，得到比对结果，所述样本脑电信号包括已知真实性内容的脑电信号及已知虚假内容的脑电信号；步骤S3，根据所述比对结果判断被测试者当前行为是否真实。本发明提供的基于脑电信号的真实性判断方法及装置利用脑电信号的人为主观影响小的特性，提高了真实性判断的准确性。
-
公开(公告)号：CN105678325A
公开(公告)日：2016-06-15
申请号：CN201511031284.1
申请日：2015-12-31
Applicant: 哈尔滨工业大学深圳研究生院
CPC classification number: G06K9/6277 , G06K9/00523 , G06K9/0055
Abstract: 本申请提供一种文本情感标注方法、装置及系统，由测试者阅读待分类的文本，采集文本阅读者的脑电信号，再根据脑电信号对该文本进行情感标注，能够从认知神经科学角度真实反映标注者的情绪，具有很高的准确性。并且，本申请不需要对标注人员进行长时间的培训，在开发文本情感分析系统时，能节约大量的时间与资金。
-
公开(公告)号：CN112329052B
公开(公告)日：2024-08-06
申请号：CN202011155392.0
申请日：2020-10-26
Applicant: 哈尔滨工业大学(深圳)
IPC: G06F21/62 , G06F18/214 , G06N3/084 , G06F18/24
Abstract: 本申请公开了一种模型隐私保护方法，该方法包括以下步骤：基于当前训练场景，确定用于对模型进行隐私保护的目标保护方式；如果目标保护方式为PATE方式，则在使用训练数据集进行模型训练过程中，对中间产生的投票结果进行加噪处理，训练完成后，获得最终的待使用第一模型；如果目标保护方式为差分隐私随机梯度下降DPSGD方式，则在使用训练数据集进行模型训练过程中，对将训练数据集输入到模型后计算得到的梯度进行加噪处理，训练完成后，获得最终的待使用第二模型。应用本申请所提供的技术方案，可以较好地且有效地进行隐私保护，提高训练数据及模型的安全性。本申请还公开了一种模型隐私保护装置，具有相应技术效果。
-
Patent Agency Ranking
公开(公告)号：CN112052480B
公开(公告)日：2024-07-23
申请号：CN202010953756.3
申请日：2020-09-11
Applicant: 哈尔滨工业大学(深圳)
IPC: G06F21/62
Abstract: 本发明实施例提供了一种模型训练过程中的隐私保护方法、系统及相关设备，用于实现模型训练过程中的隐私保护。本发明实施例方法包括：接收服务端发送的目标模型，并接收服务端发送的选择指令，选择指令用于指示随机选中的部分客户端；被选中的客户端以概率P参与目标模型训练，未被选中的客户端以概率(1‑P)参与目标模型训练；所有确定参与目标模型训练的客户端作为目标客户端，分别采用本地数据对目标模型进行训练，并计算每个训练之后的目标模型的模型参数更新值；按照预设差分隐私算法对每组模型参数更新值进行处理生成更新数据，并将更新数据返回给服务端，以使得服务端根据所有的更新数据生成本轮训练的全局模型。
-
公开(公告)号：CN116227499A
公开(公告)日：2023-06-06
申请号：CN202310118892.4
申请日：2023-01-31
Applicant: 哈尔滨工业大学(深圳)
IPC: G06F40/30 , G06F40/211 , G06N3/0455 , G06N3/047 , G06N3/0499 , G06N3/08
Abstract: 本申请公开了一种文本关系识别方法、装置及计算机可读存储介质。该方法包括：获取待处理文本，待处理文本至少包括第一文本和第二文本；利用识别模型获取第一文本和第二文本之间的隐藏矩阵表示和注意力矩阵表示；基于隐藏矩阵表示获取第一文本对应的第一句法依赖图表示，基于隐藏矩阵表示获取第二文本对应的第二句法依赖图表示；基于第一句法依赖图表示和第二句法依赖图表示得到第一文本和第二文本之间的相互依赖图表示；利用隐藏矩阵表示、注意力矩阵表示和相互依赖图表示确定第一文本和第二文本的辩论关系。通过上述方式，本申请能够提高文本关系识别的准确度，算法更具鲁棒性。
-
公开(公告)号：CN110222342B
公开(公告)日：2023-05-02
申请号：CN201910511670.2
申请日：2019-06-13
Applicant: 哈尔滨工业大学(深圳)
Abstract: 一种文本情感原因发现装置，该装置包括词‑子句层级结构，包含有四部分：词级别编码器、词级别注意力、子句级别编码器、子句级别注意力；其中，词级别编码器，将文本送入词级别编码器，用于捕获词与词之间的序列特征；词级别注意力，通过当前词语的隐状态表示和与之对应的情绪表达词之间的关系来获得词级别的注意力值，用来指示当前词在其所在的子句中所占的重要程度，然后通过权重和累加操作获得每个子句的表示；子句级别注意力，利用一个分类器来获得当前子句是情感原因的概率，并以此作为子句的注意力值，同时将当前子句距离情绪表达词的距离的分布式表示与子句表示拼接；子句级别编码器，通过子句级编码器获取不同子句之间的结构性信息更新子句表示，通过softmax来获得分类特征的概率分布。通过该装置可以帮助机器更加精准地判断人类触发情感的原因。
-
公开(公告)号：CN115983238A
公开(公告)日：2023-04-18
申请号：CN202211577017.4
申请日：2022-12-07
Applicant: 哈尔滨工业大学(深圳)
IPC: G06F40/211 , G06F16/33 , G06V40/18
Abstract: 本申请公开了一种句子文本的情感检测方法、装置及计算机可读存储介质。该方法包括：获取待处理的句子文本；利用眼动特征提取模型预测句子文本中每个单词对应的首次注视点持续时间和总阅读时间；提取每个单词对应的情感极性值；将首次注视点持续时间和总阅读时间分别与情感极性值融合，得到每个单词对应的首次注视情感‑眼动权重和总阅读情感‑眼动权重；基于首次注视情感‑眼动权重和总阅读情感‑眼动权重对句子文本进行情感预测，得到情感预测结果。通过上述方式，本申请能够条句子文本情感检测的准确度。
-
公开(公告)号：CN115688902A
公开(公告)日：2023-02-03
申请号：CN202211295855.2
申请日：2022-10-21
Applicant: 哈尔滨工业大学(深圳)
IPC: G06N3/08 , G06F18/214 , G06F18/22 , G06F40/30 , G06F16/9535 , G06N3/0464 , G06N3/0442
Abstract: 本申请公开了一种文本表示模型的训练方法、文本表示方法、电子设备及计算机可读存储介质。该训练方法包括：获取训练集，训练集包括多个文本组，每个文本组包括一个锚样本、多个负样本和多个正样本；针对各个文本组，利用文本表示模型获取文本组中锚样本的表示、各个负样本的表示和各个正样本的表示；基于锚样本的表示与同一文本组中各个负样本的表示之间的相似度，以及锚样本的表示与同一文本组中各个正样本的表示之间的相似度，获得文本表示模型关于锚样本的损失；基于文本表示模型关于各个锚样本的损失，调整文本表示模型的参数。通过上述方式，能够提高对文本表示模型的训练效果。
-
-
-
-
-
-
-
-
-
Search Results
69
records
(took 0.024 seconds)
