公开(公告)号：CN114462379A

公开(公告)日：2022-05-10

申请号：CN202110265366.1

申请日：2021-03-11

Applicant: 中国科学院信息工程研究所

Inventor： 刘凯 ,  杨双 ,  向继 ,  查达仁 ,  王雷 ,  郭晓博 ,  何原野

IPC: G06F40/205 ,  G06F40/30 ,  G06N3/04

Abstract: 本发明涉及一种改进的基于事件演化图的脚本学习方法和装置。该方法包括：利用由具体事件链构成的具体事件网络构建抽象的事件演化图；挖掘事件演化图中蕴含的事件演化知识，以学习上下文事件和候选事件的初始嵌入表示；将上下文事件和候选事件的初始嵌入表示输入双向LSTM网络，得到上下文事件和候选事件的更新后的嵌入表示，其中包含事件链的时序信息以及事件演化图中蕴含的事件演化知识；利用更新后的嵌入表示对上下文事件和候选事件进行相似度计算，得到每一个候选事件的相似度得分，将相似度得分概率化，选择概率最高的候选事件作为最终预测的事件。本发明对于脚本事件预测具有较高的准确度，能够用于隐私窃取攻击事件预测等领域。

公开(公告)号：CN114462379B

公开(公告)日：2025-04-25

申请号：CN202110265366.1

申请日：2021-03-11

Applicant: 中国科学院信息工程研究所

Inventor： 刘凯 ,  杨双 ,  向继 ,  查达仁 ,  王雷 ,  郭晓博 ,  何原野

IPC: G06F40/205 ,  G06F40/30 ,  G06N3/0442

Abstract: 本发明涉及一种改进的基于事件演化图的脚本学习方法和装置。该方法包括：利用由具体事件链构成的具体事件网络构建抽象的事件演化图；挖掘事件演化图中蕴含的事件演化知识，以学习上下文事件和候选事件的初始嵌入表示；将上下文事件和候选事件的初始嵌入表示输入双向LSTM网络，得到上下文事件和候选事件的更新后的嵌入表示，其中包含事件链的时序信息以及事件演化图中蕴含的事件演化知识；利用更新后的嵌入表示对上下文事件和候选事件进行相似度计算，得到每一个候选事件的相似度得分，将相似度得分概率化，选择概率最高的候选事件作为最终预测的事件。本发明对于脚本事件预测具有较高的准确度，能够用于隐私窃取攻击事件预测等领域。

公开(公告)号：CN112598581B

公开(公告)日：2023-10-24

申请号：CN202011606834.9

申请日：2020-12-30

Applicant: 中国科学院信息工程研究所

Inventor： 刘凯 ,  刘冠群 ,  王雷 ,  王鑫 ,  刘泽艺 ,  郭晓博 ,  何原野

IPC: G06T3/40 ,  G06N3/0464

Abstract: 本发明公开了一种RDN超分辨网络的训练方法及图形生成方法，其步骤包括：1)将低分辨率样本图像输入到生成器，生成高分辨率图像；2)将生成的高分辨率图像作为假数据，计算该假数据与对应标签数据之间的损失值；3)提取该假数据的特征与对应标签数据的特征，然后计算特征之间的损失值；4)将生成的高分辨率图像及其多个下采样数据作为假数据，根据该假数据与对应真实数据计算生成器中损失函数的损失值；5)将生成的高分辨率图像及其多个下采样数据作为假数据，根据该假数据与对应真实数据计算判别器中损失函数的损失值，进行判别器参数更新；6)将步骤2)～4)所得损失值加权在一起，作为生成器的损失，进行生成器的参数更新。

公开(公告)号：CN112598581A

公开(公告)日：2021-04-02

申请号：CN202011606834.9

申请日：2020-12-30

Applicant: 中国科学院信息工程研究所

Inventor： 刘凯 ,  刘冠群 ,  王雷 ,  王鑫 ,  刘泽艺 ,  郭晓博 ,  何原野

IPC: G06T3/40 ,  G06N3/04

Abstract: 本发明公开了一种RDN超分辨网络的训练方法及图形生成方法，其步骤包括：1)将低分辨率样本图像输入到生成器，生成高分辨率图像；2)将生成的高分辨率图像作为假数据，计算该假数据与对应标签数据之间的损失值；3)提取该假数据的特征与对应标签数据的特征，然后计算特征之间的损失值；4)将生成的高分辨率图像及其多个下采样数据作为假数据，根据该假数据与对应真实数据计算生成器中损失函数的损失值；5)将生成的高分辨率图像及其多个下采样数据作为假数据，根据该假数据与对应真实数据计算判别器中损失函数的损失值，进行判别器参数更新；6)将步骤2)～4)所得损失值加权在一起，作为生成器的损失，进行生成器的参数更新。