-
公开(公告)号：CN102271124B
公开(公告)日：2015-05-13
申请号：CN201010192551.4
申请日：2010-06-01
Applicant: 富士通株式会社
Abstract: 本发明涉及一种数据处理设备和数据处理方法。数据处理设备包括基于可信计算技术的可信执行平台，该平台包括：数据处理虚拟机，用于处理从客户端发送的数据并向客户端返回数据处理结果，包括：解密子模块，用于对来自客户端的加密待处理数据进行解密，并遵循第一接口将解密后数据提供给计算子模块；计算子模块，用于对来自解密子模块的解密后数据进行处理，并遵循第二接口将数据处理结果提供给加密子模块；加密子模块，用于对遵循第二接口来自计算子模块的数据处理结果进行加密；以及输出控制模块，负责数据处理虚拟机的所有输出，使得仅将从加密子模块输出的加密后数据作为数据处理虚拟机对客户端的输出。该数据处理设备能够保证数据处理安全。
-
公开(公告)号：CN103838747A
公开(公告)日：2014-06-04
申请号：CN201210479166.7
申请日：2012-11-22
Applicant: 富士通株式会社
IPC: G06F17/30
CPC classification number: G06F16/958
Abstract: 本发明公开了一种网络服务构建方法和设备以及网页数据抽取方法和设备。所述网络服务构建方法包括：收集与深层网页的访问有关的数据，所述数据包括HTTP消息、JS事件、堆栈快照；在所收集的HTTP消息中，搜索服务相关参数，并将搜索到的参数分为用户输入参数、显式参数、隐式参数；构建能够生成显式参数的第一XPath；构建能够生成隐式参数的JS代码；构建能够生成最终的深层网页返回结果的第二XPath；以及根据JS事件、堆栈快照和所观察的HTTP消息的顺序，构建表示服务内部流程的结构；其中所述用户输入参数、JS代码、第一和第二XPath、表示服务内部流程的结构构成所述网络服务。
-
公开(公告)号：CN102271124A
公开(公告)日：2011-12-07
申请号：CN201010192551.4
申请日：2010-06-01
Applicant: 富士通株式会社
Abstract: 本发明涉及一种数据处理设备和数据处理方法。数据处理设备包括基于可信计算技术的可信执行平台，该平台包括：数据处理虚拟机，用于处理从客户端发送的数据并向客户端返回数据处理结果，包括：解密子模块，用于对来自客户端的加密待处理数据进行解密，并遵循第一接口将解密后数据提供给计算子模块；计算子模块，用于对来自解密子模块的解密后数据进行处理，并遵循第二接口将数据处理结果提供给加密子模块；加密子模块，用于对遵循第二接口来自计算子模块的数据处理结果进行加密；以及输出控制模块，负责数据处理虚拟机的所有输出，使得仅将从加密子模块输出的加密后数据作为数据处理虚拟机对客户端的输出。该数据处理设备能够保证数据处理安全。
-
公开(公告)号：CN113392967B
公开(公告)日：2024-11-08
申请号：CN202010165937.X
申请日：2020-03-11
Applicant: 富士通株式会社
IPC: G06N3/094 , G06F18/214 , G06N3/0475 , G06N3/045
Abstract: 公开了领域对抗神经网络的训练方法。该领域对抗神经网络包括：特征提取单元，其针对已标注的源数据提取第一特征，并且针对未标注的目标数据提取第二特征；标签预测单元，其基于第一特征来预测源数据的标签，并且基于第二特征来预测目标数据的标签；判别单元，其基于第一特征和第二特征来判别输入的数据是源数据还是目标数据。该训练方法包括：基于标签预测单元的输出来构建第一损失函数，其中，该第一损失函数是与源数据有关的预测损失；通过利用源数据和目标数据之间的联合概率密度比对第一损失函数加权而获得第二损失函数；利用第一损失函数和第二损失函数来训练标签预测单元和特征提取单元。
-
公开(公告)号：CN118587550A
公开(公告)日：2024-09-03
申请号：CN202310204379.7
申请日：2023-03-03
Applicant: 富士通株式会社
IPC: G06V10/82 , G06V10/77 , G06V10/764 , G06N3/0464 , G06N3/088 , G06N3/096 , G06N3/094
Abstract: 公开了对神经网络进行领域自适应训练的方法和装置。该方法包括：a)分别基于源域图像和目标域图像提取多种尺寸的源域锚框特征和目标域锚框特征；b)基于提取的特征，针对源域图像和目标域图像中的相应锚框生成目标检测预测值；针对每一种尺寸：c)将具有该尺寸的源域锚框特征划分为对应于多个类别的多个源域特征集合；d)将具有该尺寸的目标域锚框特征划分为对应于该多个类别的多个目标域特征集合；e)通过使类内距离最小化并且使类间距离最大化来执行跨域特征对齐；f)接收另外的源域图像和目标域图像。通过重复执行步骤a)‑f)，利用针对源域图像和目标域图像的预测损失函数以及特征对齐损失函数来训练神经网络。
-
Patent Agency Ranking
公开(公告)号：CN112464966B
公开(公告)日：2024-07-02
申请号：CN201910842524.8
申请日：2019-09-06
Applicant: 富士通株式会社
IPC: G06F18/241
Abstract: 本公开提供了鲁棒性估计方法、数据处理方法和信息处理设备。鲁棒性估计方法用于估计基于训练数据集通过训练预先获得的分类模型的鲁棒性，并且包括：针对训练数据集中的每个训练样本，确定目标数据集中与该训练样本的样本相似度在预定阈值范围内的目标样本，并计算分类模型对于该训练样本的分类结果与分类模型对于所确定的目标样本的分类结果之间的分类相似度；以及基于训练数据集中各个训练样本的分类结果与目标数据集中相对应的目标样本的分类结果之间的分类相似度，确定分类模型对目标数据集的分类鲁棒性。
-
公开(公告)号：CN116933147A
公开(公告)日：2023-10-24
申请号：CN202210324917.1
申请日：2022-03-30
IPC: G06F18/241 , G06F18/214 , G06N3/0464
Abstract: 本发明实施例提供一种对抗训练方法和装置，对抗训练装置包括：所述装置包括：生成单元，其用于将原始样本输入至神经网络模型中，生成对抗样本；提取单元，其利用所述神经网络模型提取与所述原始样本对应的第一特征向量和与所述对抗样本对应的第二特征向量；计算单元，其根据所述第一特征向量和所述第二特征向量计算第一特征偏移和第二特征偏移；确定单元，其根据所述第一特征偏移和所述第二特征偏移确定损失函数；第一训练单元，其根据所述损失函数，对所述神经网络模型进行对抗训练，直至所述损失函数最优化。
-
公开(公告)号：CN116486093A
公开(公告)日：2023-07-25
申请号：CN202210036721.2
申请日：2022-01-13
Applicant: 富士通株式会社
IPC: G06V10/40 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/02
Abstract: 本公开涉及信息处理装置、信息处理方法和机器可读存储介质。信息处理装置包括：特征生成单元，其被配置成针对输入分布生成特征；差异生成单元，其被配置成生成在预定阶段训练好的特征生成单元与当前阶段被训练的特征生成单元针对相同的特定输入分布的输出特征差异；以及更新单元，其被配置成基于输出特征差异使用当前阶段被训练的特征生成单元针对当前阶段在线更新的输入分布的输出特征来训练当前阶段的特征生成单元。该信息处理装置可以利用特征生成单元对相同输入分布的输出特征差异来训练特征生成单元，从而有效地解决在线无监督领域自适应中的遗忘问题。
-
公开(公告)号：CN114820414A
公开(公告)日：2022-07-29
申请号：CN202110089676.2
申请日：2021-01-22
Applicant: 富士通株式会社
Abstract: 公开了用于领域自适应的神经网络及其训练方法。该神经网络包括串联连接的分割单元和重建单元，分割单元针对源域图像和目标域图像执行图像分割并且包括第一编码器和第一解码器，重建单元针对目标域图像执行图像重建并且包括第二编码器和第二解码器。该训练方法包括：由第一编码器基于源域图像或目标域图像来提取第一特征；由第一解码器基于第一特征来生成源域分割预测图像或目标域分割预测图像；由第二编码器基于目标域图像和目标域分割预测图像来提取第二特征；由第二解码器基于第一特征和第二特征来生成目标域重建图像；分别基于分割损失函数和重建损失函数来训练分割单元和重建单元。
-
公开(公告)号：CN113392967A
公开(公告)日：2021-09-14
申请号：CN202010165937.X
申请日：2020-03-11
Applicant: 富士通株式会社
Abstract: 公开了领域对抗神经网络的训练方法。该领域对抗神经网络包括：特征提取单元，其针对已标注的源数据提取第一特征，并且针对未标注的目标数据提取第二特征；标签预测单元，其基于第一特征来预测源数据的标签，并且基于第二特征来预测目标数据的标签；判别单元，其基于第一特征和第二特征来判别输入的数据是源数据还是目标数据。该训练方法包括：基于标签预测单元的输出来构建第一损失函数，其中，该第一损失函数是与源数据有关的预测损失；通过利用源数据和目标数据之间的联合概率密度比对第一损失函数加权而获得第二损失函数；利用第一损失函数和第二损失函数来训练标签预测单元和特征提取单元。
-
-
-
-
-
-
-
-
-
Search Results
119
records
(took 0.027 seconds)
