基于深度学习的电力数据合规性审查方法

为了保障电力数据的安全、完整、真实和可靠,维护国家能源安全和电力市场秩序,促进电力行业的健康发展,提出基于深度学习的电力数据合规性审查方法研究。本次研究首先基于供电企业的远程采集系统完成电力数据的采集,其次过滤处理电力数据,组成电力时序数据集,再次预处理电力时序数据集,最后基于改进卷积神经网络(Convolutional Neural Network,CNN)算法建立电力数据合规性审查模型。试验结果表明,所提方法查准率和查全率均高于95%,应用效果较好。

宏基因组二代测序技术临床应用中的数据合规性研究与实践

数据已经成为重要的生产要素,宏基因组测序标本采集涉及面广,宏基因组二代测序技术数据是医疗健康领域重要的基础性战略资源。结合《网络安全法》和《个人信息安全规范》《数据安全法》《个人信息保护法(草案)》等相关规定,提出宏基因组二代测序数据合规性框架和数据合规要点,为医疗机构在利用宏基因组二代测序数据开展医疗诊治活动的同时,切实保证测序机构不出现数据合规风险或法律纠纷,并建议强化内部管理,兼顾社会效益,承担相应的社会责任,积极开展数据合规培训和教育。

小数据集文本语义相似性分析模型的优化与应用

数据使用合规性是数据安全治理的关键环节,其重点研究内容为通过文本语义相似性分析实现文本溯源与知识产权保护.针对公开数据资源受限的问题,引入对比学习框架,但现有对比学习常用目标函数存在正负样本耦合算子,导致反向传播梯度衰减严重,且小数据集训练时可利用批次少,模型难以收敛至局部最优.提出一种小数据集对比学习文本语义相似性分析方法,计算对比学习目标函数反向传播时正负样本分别对应的偏导数,消除其中的公因算子,抑制反向传播梯度衰减,提高模型的收敛速度.在公开数据集上的实验结果表明,该方法能够提高模型的训练效率,提升小数据集文本语义相似性分析效果.