-
公开(公告)号：CN113222960B
公开(公告)日：2022-06-03
申请号：CN202110584110.7
申请日：2021-05-27
Applicant: 哈尔滨工程大学
Abstract: 基于特征去噪的深度神经网络对抗防御方法、系统、存储介质及设备，属于基于图像的深度学习对抗样本防御领域。为了解决目前使用空间域滤波进行特征去噪的对抗样本防御方法存在去噪不彻底的问题，进而导致对抗样本防御效果不佳的问题。发明设计含有至少一个特征去噪模块的神经网络模型，所述的特征去噪模块包括1x1卷积、残差连接单元和去噪操作单元，去噪操作先对模型中间层特征图进行离散小波变换，将有用信息和噪声信息进行分离，然后对包含噪声信息的高频分量进行频率域滤波和空间域滤波相结合的去噪处理，最后再重构特征图。本发明的方法在对抗训练下，可以显著提升面对对抗样本攻击时的对抗鲁棒性。主要用于图形的深度神经网络对抗防御。
-
Patent Agency Ranking
公开(公告)号：CN108776763A
公开(公告)日：2018-11-09
申请号：CN201810589946.4
申请日：2018-06-08
Applicant: 哈尔滨工程大学
IPC: G06F21/62
Abstract: 本发明公开了一种基于属性相关的差分隐私保护方法，属于信息安全技术领域。本发明采取投影转换的思想，提出了新的面向属性相关的隐私保护方法。该方法不仅考虑了属性之间存在相关性的情况，而且利用这种相关关系减少噪声的加入。即利用最大信息系数衡量各敏感属性相关关系，构建最大信息系数矩阵；从而构造投影算子，获得投影矩阵，该结构的使用使得维度降低，在提供相同的隐私保证的情况下，所需噪声数减少。
-
公开(公告)号：CN108776763B
公开(公告)日：2022-02-11
申请号：CN201810589946.4
申请日：2018-06-08
Applicant: 哈尔滨工程大学
IPC: G06F21/62
Abstract: 本发明公开了一种基于属性相关的差分隐私保护方法，属于信息安全技术领域。本发明采取投影转换的思想，提出了新的面向属性相关的隐私保护方法。该方法不仅考虑了属性之间存在相关性的情况，而且利用这种相关关系减少噪声的加入。即利用最大信息系数衡量各敏感属性相关关系，构建最大信息系数矩阵；从而构造投影算子，获得投影矩阵，该结构的使用使得维度降低，在提供相同的隐私保证的情况下，所需噪声数减少。
-
公开(公告)号：CN113222960A
公开(公告)日：2021-08-06
申请号：CN202110584110.7
申请日：2021-05-27
Applicant: 哈尔滨工程大学
Abstract: 基于特征去噪的深度神经网络对抗防御方法、系统、存储介质及设备，属于基于图像的深度学习对抗样本防御领域。为了解决目前使用空间域滤波进行特征去噪的对抗样本防御方法存在去噪不彻底的问题，进而导致对抗样本防御效果不佳的问题。发明设计含有至少一个特征去噪模块的神经网络模型，所述的特征去噪模块包括1x1卷积、残差连接单元和去噪操作单元，去噪操作先对模型中间层特征图进行离散小波变换，将有用信息和噪声信息进行分离，然后对包含噪声信息的高频分量进行频率域滤波和空间域滤波相结合的去噪处理，最后再重构特征图。本发明的方法在对抗训练下，可以显著提升面对对抗样本攻击时的对抗鲁棒性。主要用于图形的深度神经网络对抗防御。
-
公开(公告)号：CN106878174A
公开(公告)日：2017-06-20
申请号：CN201710168140.3
申请日：2017-03-21
Applicant: 哈尔滨工程大学
IPC: H04L12/721 , H04L12/24 , H04L12/58 , G06Q50/00
Abstract: 本发明提供的是一种基于中介中心性的网络传播节点影响力发现方法。遍历任意两点间的最短路径，获得路径集合δij；对路径P中的每一个节点u计算DBC(u)ij,以及Loc(u)ij；遍历所有路径结束后在遍历图中每一个节点u，计算DLBC，并将所有节点的DLBC值从大到小排列；输出整个DLBC排序后的数组。本发明充分发挥了传统中介中心性能够度量节点全局影响力的优势，并且通过对加入衰减因子以及节点重要程度因子，在节点全局影响里度量上的精度得以提高。通过将距离节点最短路径长度小于等于L的节点数量与总体节点数量的比值，作为节点在局部影响力的度量，作为对节点全局影响力的补充，形成了节点综合影响力。
-
公开(公告)号：CN106951524A
公开(公告)日：2017-07-14
申请号：CN201710168151.1
申请日：2017-03-21
Applicant: 哈尔滨工程大学
CPC classification number: G06F16/9024 , G06F2216/03 , G06Q50/01
Abstract: 本发明提供的是一种基于节点影响力的重叠社区发现方法。在k‑shell分解算法的基础上，通过综合并全面考虑节点的全局影响力、局部影响力以及邻居节点的贡献度共三类因素而提出。依据影响力降序顺序更新节点，符合社会网络信息传播特性，降低算法的随机性，并在计算归属系数的时候，不仅仅考虑了邻居节点影响力的影响，还将节点本身的归属倾向及节点本身影响力考虑在内。在设定重叠阈值等方面，融合了节点影响力，为每个节点设置了合理的阈值。能够降低原算法的随机性，挖据出高质量的社区结构。
-
-
-
-
-
Search Results
6
records
(took 0.036 seconds)
