买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉郑州大学申请的专利基于元学习的少样本中文网络安全事件检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119578519B 。

龙图腾网通过国家知识产权局官网在2025-10-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411325532.2，技术领域涉及：G06N5/022；该发明授权基于元学习的少样本中文网络安全事件检测方法是由张晗;徐秉智;张钺方设计研发完成，并于2024-09-23向国家知识产权局提交的专利申请。

本基于元学习的少样本中文网络安全事件检测方法在说明书摘要公布了：本发明公开了一种基于元学习的少样本中文网络安全事件检测方法。该方法首先设计了动态维度变换机制，优化了多词复合触发词的几何特征提取；其次，通过多级知识蒸馏技术，结合类内特征与类间特征对比损失，提升了事件检测的精度和泛化能力；最后，采用了少样本学习中的元学习训练框架，在有限数据条件下进行高效学习。本发明通过结合元学习和知识蒸馏，有效解决了中文网络安全事件检测中触发词复杂、数据稀缺等难题，显著提升了少样本场景下的事件检测性能。

本发明授权基于元学习的少样本中文网络安全事件检测方法在权利要求书中公布了：1.一种基于元学习的少样本中文网络安全事件检测方法，其特征在于通过动态维度变换和元学习知识蒸馏技术，在少样本或零样本情况下，实现对复杂中文触发词和新型事件类型的高效检测与泛化，包括以下步骤： 步骤S1、输入文本样本句：和样本提示词prompt，其中，表示包含n个字符的输入序列ci和触发词N表示N种事件类型，K表示K个标记样本，通常情况下K会被设置为{5,10}，对于中的输入序列ci和触发词以及提示词prompt，使用预训练模型RoBERTa作为文本编码器获得词元嵌入、位置嵌入结果同时为了进一步丰富句子的语义表达能力和捕获更细粒度的语言特征，我们利用StanfordCoreNLP来获取句子的词性特征级嵌入最后，我们获取RoBERTa的编码器最后一层隐藏层的第i个token表示hi＝Dropout[z1,z2,…,zn]； 步骤S2、构建元学习训练框架，φS作为基学习器，θ为初始元学习器，利用元训练优化参数θ，具体来说，在每一次训练步骤中，给定任务和学习率λ，在内循环过程中更新参数公式中，λ是内部学习率，为任务的支持集，使用Adma优化器对模型进行训练，表示计算出的元梯度，表示训练中的损失函数； 步骤S3、基于步骤S1种得到的最后一层隐藏层表示h，执行触发词加权方法生成候选触发词集合Strigger＝[S,S,…,S]，以及它们的边界集合Sspan＝[s,e,s,e…s，e],s，e表示的是第i个候选触发词所在句子中的起始和终止位置； 步骤S4、基于步骤S3中的候选触发词集合Strigger＝[S，S，…，S],以及每个元素S＝start，end，计算复杂触发词几何特征，中心位置与宽度c和w 步骤S5、基于步骤S4得到的几何嵌入特征，计算候选触发词之间的交互关系，得到交互关系增强的触发词跨度表示span，为了更好地估计预测的这些触发词的重要性，同样使用候选触发词加权策略，计算每一个候选词的注意力权重，更多考虑来自其他跨度的影响： 其中，αij候选触发词Si和触发词Sj之间的注意力权重，利用跨度表示的加权和可以得到交互关系增强的触发词跨度表示： 其中，Si是候选触发词的表示，包含了触发词的具体特征； 步骤S6、基于步骤S5得到的交互关系增强的触发词跨度表示span，计算事件类别的分类概率和事件类别损失 步骤S7、基于步骤S1的数据预处理阶段后，根据类别标签信息构建正样本对和负样本对；对于任务从所有类别中随机选择一类具有相同标签{Xi|i∈N}的事件作为正样本；针对每个正样本类别，我们相应地生成一定数量的负样本集合{Xj|j∈N-1}；并计算有监督对比损失 步骤S8、为解决元学习方法中的灾难性遗忘问题，计算多级知识蒸馏损失，包括特征蒸馏损失和预测蒸馏损失优化元学习基学习器φS。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人郑州大学，其通讯地址为：450000 河南省郑州市高新技术开发区科学大道100号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。