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！

龙图腾网获悉西安电子科技大学申请的专利基于模型扰动的联邦学习分类模型训练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：CN115358418B 。

龙图腾网通过国家知识产权局官网在2025-08-01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：202211010854.9，技术领域涉及：G06N20/20；该发明授权基于模型扰动的联邦学习分类模型训练方法是由王子龙;王鸿波;陈谦;陈嘉伟设计研发完成，并于2022-08-23向国家知识产权局提交的专利申请。

本基于模型扰动的联邦学习分类模型训练方法在说明书摘要公布了：本发明提出一种基于模型扰动的联邦学习分类模型训练方法，实现步骤为：构建联邦学习分类系统；客户端初始化联邦学习本地分类模型及训练参数；客户端对本地分类模型进行迭代训练，并对本地分类模型进行扰动；中央服务器获取联邦学习系统的训练结果。本发明客户端根据每个卷积层所提取的训练数据集的特征类型的不同以及每个全连接层对模型预测分类效果的影响的不同，为本地分类模型的不同模型层分配不同的隐私预算值，能够控制每个模型层的扰动程度，避免了模型层的扰动程度过大或者过小对模型的影响，进而提高了联邦学习分类模型的隐私保护能力和预测分类精度。

本发明授权基于模型扰动的联邦学习分类模型训练方法在权利要求书中公布了：1.一种基于模型扰动的联邦学习分类模型训练方法，其特征在于，包括如下步骤： 1构建联邦学习系统： 初始化包括中央服务器和N个客户端C＝{c1,c2,…,cn,…,cN}的联邦学习系统，其中，N≥2，cn表示第n个客户端； 2客户端初始化联邦学习本地分类模型及训练参数： 每个客户端cn初始化包含L个目标类别的M幅图像的本地训练数据集，并对每幅图像的目标进行标注；初始化包括由依次层叠的K个复合层和F个全连接层组成的I个模型层的本地分类模型Xn，每个复合层包括依次层叠的卷积层、ReLU层、Dropout层和池化层；初始化聚合轮次为t，最大聚合轮次为T，T≥100，第t次聚合客户端cn的本地分类模型为 第i个模型层的权值参数、隐私预算值分别为其中，并令t＝0，其中，L≥2，M≥500，K≥2，F≥2，I＝K+F； 3客户端对本地分类模型进行迭代训练： 3a每个客户端cn将从本地训练数据集中有放回地随机选取的B个训练数据作为本地分类模型的输入进行前向传播：K个复合层中的卷积层提取每个训练数据的特征，ReLU层对提取的特征进行非线性处理，Dropout层对非线性处理后的特征进行概率性丢弃，池化层对概率性丢弃的特征进行压缩，共进行K次，F个全连接层根据第K次压缩后每个训练数据的特征对其对应的训练数据进行预测，得到B个预测标签其中，表示第b个训练数据的预测标签； 3b每个客户端cn使用交叉熵损失函数，通过每个训练数据的预测标签与其对应的真实标签计算本地分类模型的损失值并使用随机梯度下降算法，通过对本地分类模型的权值参数的偏导数对的权值参数进行更新，得到权值参数为的本地分类模型 4客户端对本地分类模型进行扰动： 4a每个客户端cn根据本地分类模型每个模型层的隐私预算值计算满足差分隐私保证的高斯噪声尺度值并根据计算每个模型层满足高斯分布的噪声值 4b每个客户端cn将噪声值添加到每个模型层的权值参数上，实现对本地分类模型的扰动，得到权值参数为的扰动后的本地分类模型并将上传至中央服务器； 5中央服务器获取联邦学习系统的训练结果： 中央服务器随机选取V个客户端cv上传的本地分类模型的权值参数进行聚合,得到聚合结果ωt，并判断t＝T是否成立，若是，得到权值参数为ωT的联邦学习全局分类模型XT，否则令t＝t+1，并执行步骤3。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市太白南路2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”。