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！

龙图腾网获悉中国科学技术大学申请的专利一种面向非平衡数据的代价感知隐私保护联邦学习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：CN115511054B 。

龙图腾网通过国家知识产权局官网在2025-08-15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：202211186767.9，技术领域涉及：G06N3/0464；该发明授权一种面向非平衡数据的代价感知隐私保护联邦学习方法是由姚远志;刘小微;马钰婷;俞能海设计研发完成，并于2022-09-27向国家知识产权局提交的专利申请。

本一种面向非平衡数据的代价感知隐私保护联邦学习方法在说明书摘要公布了：本发明公开一种面向非平衡数据的代价感知隐私保护联邦学习方法，包括：步骤11，本地用户共享本地模型的结构，并设置原始梯度裁剪阈值和隐私预算；步骤12，使用联合代价感知和差分隐私模型参数优化机制训练并更新本地模型，将训练完成的本地模型扰动梯度作为共享参数上传到服务器；步骤13，服务器聚合参与全局模型更新的本地用户上传的扰动梯度，更新全局模型；步骤14，本地用户从服务器下载更新的全局模型，服务器使用附属数据集验证全局模型准确度是否大于预先设定的阈值，若是则执行步骤15，若否则重复执行步骤12和步骤13；步骤15，完成隐私保护联邦学习训练过程。该方法较好地平衡了联邦学习全局模型准确度和用户数据隐私保护性能。

本发明授权一种面向非平衡数据的代价感知隐私保护联邦学习方法在权利要求书中公布了：1.一种面向非平衡数据的代价感知隐私保护联邦学习方法，其特征在于，包括如下步骤： 步骤11，本地用户共享本地模型的网络结构，并设置原始梯度裁剪阈值和隐私预算； 步骤12，本地用户使用联合代价感知和差分隐私模型参数优化机制训练本地模型，完成本地模型更新，并将训练完成的本地模型扰动梯度作为共享参数上传到服务器，包括： 步骤121，若联邦学习中共有个本地用户，每个本地用户拥有包含个原始图像的本地数据集，本地用户根据隐私预算计算噪声强度； 其中，-差分隐私表示为： 1； 在式1中，，， 为输出为的随机化机制；为具有相同尺寸但是仅相差一个元素的邻接数据集；确定性实值函数的敏感度表示为： 2； 基于高斯机制的差分隐私过程表示为： 3； 在式3中，是均值为0且标准差为的高斯分布，是单位矩阵； 步骤122，在第次本地模型更新时，本地用户计算梯度裁剪因子，表示为： 4； 在式4中，是在第次本地模型更新时的代价感知损失函数；是在第次本地模型更新时的代价感知损失函数；由数据和类别标签构成；是在第次本地模型更新时的本地模型中最后一个全连接层的参数；是在第次本地模型更新时的本地模型中最后一个全连接层的参数；为调控参数；本地模型中最后一个全连接层有个参数； 在第次本地模型更新时的代价感知损失函数由非平衡因子和原始损失函数计算得到，表示为： 5； 在式5中，原始损失函数表示为： 6； 在式6中，为数据类别数目；为数据对应于第类的真实类别标签，为数据对应于第类的预测类别标签；非平衡因子表示为： 7 在式7中，为本地模型中最后一个全连接层的输入值； 步骤123，在第次本地模型更新时，本地用户计算本地模型的原始梯度，表示为： 8； 在式8中，是本地数据集的随机采样数据集合中的数据； 步骤124，在第次本地模型更新时，本地用户计算裁剪后的本地模型原始梯度，即裁剪梯度，表示为： 9； 在式9中，为在第次本地模型更新时自适应梯度裁剪阈值，表示为： 10； 在式10中，为梯度裁剪学习率； 步骤125，在第次本地模型更新时，本地用户对裁剪梯度添加噪声得到扰动梯度以实现差分隐私，表示为： 11； 步骤126，本地用户更新本地模型，表示为： 12； 步骤127，本地用户重复执行步骤122、步骤123、步骤124、步骤125和步骤126直到本地模型更新轮数达到预设阈值时为止，即完成本地模型更新； 步骤13，服务器聚合参与全局模型更新的本地用户上传的扰动梯度，完成全局模型更新； 步骤14，本地用户与服务器进行全局通信，从服务器下载更新的全局模型，服务器使用附属数据集验证全局模型准确度是否大于预先设定的阈值，若是则执行步骤15，若否则重复执行步骤12和步骤13； 步骤15，完成隐私保护联邦学习训练过程。

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中国科学技术大学，其通讯地址为：230026 安徽省合肥市包河区金寨路96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”。