公开(公告)号：CN114722305A

公开(公告)日：2022-07-08

申请号：CN202210399130.1

申请日：2022-04-11

Applicant: 西北工业大学

Inventor： 慕志颖 ,  许加全 ,  李晓宇

IPC: G06F16/9536 ,  G06F16/906 ,  G06F17/16 ,  G06Q50/00

Abstract: 本发明公开了一种基于社区结构的社交网络影响力阻断最大化方法。该方法包括以下步骤：(1)使用社交网络节点的扩展h‑index中心性来选择候选种子节点。(2)以这些种子节点为起点，利用标签传播算法发现社交网络中的社区。(3)计算社交网络社区的关系矩阵及当前关系矩阵的模块度来对社区进行合并，将合并后的社区中具有最大度的节点添加到初始种子节点中。(4)计算初始种子节点的标签度量等级。(5)根据节点标签度量排序获得社交网络中具有最大阻断影响力的k个节点。本方法综合考虑了社交网络的社区结构、社交网络节点的中心性，整体运算时间短，筛选出影响力阻断种子节点的阻断性能好。

公开(公告)号：CN116433924A

公开(公告)日：2023-07-14

申请号：CN202310416256.X

申请日：2023-04-18

Applicant: 西北工业大学

Inventor： 郭森森 ,  李晓宇 ,  朱培灿 ,  慕志颖 ,  赵金雄

IPC: G06V10/44 ,  G06V10/764 ,  G06V10/82 ,  G06T3/40 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供一种基于有目标数据增强的对抗攻击方法，属于深度学习与计算机视觉领域。技术方案为：首先，生成深度神经网络(Deep Neural Network,DNN)在输出特定分类下对输入图片的类激活图(Class Activation Map,CAM)矩阵,并按照不同比例将CAM矩阵中数值较大的部分元素进行掩盖。然后，分别将掩盖后的CAM矩阵与输入图片进行融合来对输入图片进行增强。之后，将每个融合后的图片各复制多份，并将所复制的每一份图片的像素值按照不同比例缩放。随后，计算所有生成的图片的平均梯度信息并更新动量信息。最后，根据动量信息计算对抗扰动并更新对抗样本。重复以上步骤T次直至生成最终的对抗样本。与其他发明技术相比，本发明基于输入图片中不同区域对于DNN输出结果的贡献程度对输入图片进行有目标数据增强，在不降低白盒攻击成功率的前提下，可以显著提升所生成对抗样本的迁移性。

公开(公告)号：CN119398121A

公开(公告)日：2025-02-07

申请号：CN202411646616.6

申请日：2024-11-18

Applicant: 西北工业大学

Inventor： 慕志颖 ,  高德宏 ,  马宇飞 ,  杨黎斌 ,  蔡晓妍 ,  郭森森 ,  李晓宇

IPC: G06N3/08 ,  G06N3/0442 ,  G06N3/042 ,  G06F17/10 ,  G06F17/16

Abstract: 本发明公开了一种基于Multi‑A和Multi‑B专家杂化混合专家的大模型微调方法，通过将LoRA网络嵌入到混合专家(MoE)架构中，利用Multi‑A和Multi‑B MoE捕捉不同任务之间的差异，从而显著提升大语言模型在多任务场景下的微调效率和综合性能。本发明适用于各种大语言模型，促进大语言模型在不同领域的应用，并为进一步探索参数高效的微调方法提供新的思路。

公开(公告)号：CN119398122A

公开(公告)日：2025-02-07

申请号：CN202411646618.5

申请日：2024-11-18

Applicant: 西北工业大学

Inventor： 慕志颖 ,  高德宏 ,  马宇飞 ,  杨黎斌 ,  蔡晓妍 ,  郭森森 ,  李晓宇

IPC: G06N3/08 ,  G06N3/0464 ,  G06F17/16 ,  G06N3/042

Abstract: 本发明公开了一种基于通用LoRA和领域专用LoRA多任务混合专家模型微调方法，通过整合通用专家和领域特定专家，并引入残差连接，以平衡模型对一般任务和领域特定任务的处理能力，提高性能和稳定性。本发明实现了参数高效的多任务学习和新领域适配。

公开(公告)号：CN119578381A

公开(公告)日：2025-03-07

申请号：CN202510138731.0

申请日：2025-02-08

Applicant: 西北工业大学

Inventor： 慕志颖 ,  王之泰 ,  郭森森 ,  李晓宇

IPC: G06F40/166 ,  G06F40/216 ,  G06F40/284 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/08 ,  G06F16/35

Abstract: 本发明公开了一种基于生成对抗网络的文本风格迁移方法，将原始语句通过文本卷积网络得到预测的属性风格概率；在原始语句中删除属性词，将删除后的语句再次输入文本卷积网络，直至得到删除每个属性词后的预测的属性风格概率；将预测的属性风格概进行概率差值运算，根据结果将每个属性词按照降序排列得到排序结果；并按照从大到小的顺序在原始语句中将第一属性词删除，得到第一语句；在第一语句的属性风格概率和长度均不符合预设条件时，继续在第一语句上删除第二属性词，直至删除后的语句的属性风格概率和长度符合预设条件时，得到语义内容；将语义内容经编码器和解码器得到目标风格语句。本发明提高了语句风格判断准确率、文本生成质量和真实性。

公开(公告)号：CN114722283A

公开(公告)日：2022-07-08

申请号：CN202210380951.0

申请日：2022-04-11

Applicant: 西北工业大学

Inventor： 慕志颖 ,  徐莎莎 ,  李晓宇

IPC: G06F16/9535 ,  G06F16/9537 ,  G06N3/04 ,  G06N3/08 ,  G06Q50/00

Abstract: 本专利公开了一种基于位置社交网络的兴趣点组合推荐算法。该方法包括以下步骤：(1)通过LightGCN图卷积网络模型得到用户对兴趣点的协作偏好分数；(2)利用兴趣点之间的地理相关性更新兴趣点的嵌入表示；(3)通过带有注意机制的GRU序列模型得到用户对兴趣点的地理偏好分数；(4)通过线性加权的组合策略得到最终的兴趣点推荐分数。本方法综合考虑了地理信息、协作信息和序列信息，提高了离线推荐的召回率。