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！

龙图腾网获悉湖南科技大学申请的专利一种具有高泛化能力的分层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：CN119558385B 。

龙图腾网通过国家知识产权局官网在2026-04-03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：202411726035.3，技术领域涉及：G06F18/214；该发明授权一种具有高泛化能力的分层联邦学习方法是由陈宇翔;张申奥成;何大成;梁伟;熊乃学设计研发完成，并于2024-11-28向国家知识产权局提交的专利申请。

本一种具有高泛化能力的分层联邦学习方法在说明书摘要公布了：本发明公开了一种具有高泛化能力的分层联邦学习方法，涉及电数字数据处理技术领域。该具有高泛化能力的分层联邦学习方法，包括本地模型训练判断、Q值获取和全局模型生成。本发明通过获取客户端在预设时间段内提供的训练样本数据，根据训练样本数据判断客户端是否参与本地模型训练，同时获取本地模型训练过程中的损失期望值并选择边缘服务器，然后将参与本地模型训练的训练样本数据输入至DQN网络中得到预测Q值和目标Q值，最后将训练完成的本地模型上传至选择的边缘服务器中生成全局模型，进而实现了分层联邦学习框架开销与模型准确性之间平衡性的提高，解决了现有技术中分层联邦学习框架开销与模型准确性之间平衡性考虑不充分的问题。

本发明授权一种具有高泛化能力的分层联邦学习方法在权利要求书中公布了：1.一种具有高泛化能力的分层联邦学习方法，其特征在于，包括以下步骤： S1，获取客户端在预设时间段内提供的训练样本数据，根据训练样本数据判断客户端是否参与本地模型训练，若是，则执行S2，所述训练样本数据存储于联邦学习环境中，所述联邦学习环境包括状态空间和动作空间，所述本地模型通过联邦学习环境中的训练样本数据进行训练； S2，将参与本地模型训练的训练样本数据输入至DQN网络中得到预测Q值和目标Q值，同时根据DQN网络的内置参数对Q网络进行训练以获取平衡状态值，所述预测Q值用于预测当前状态下本地模型训练后的输出值，所述目标Q值用于反映给定状态下本地模型训练后的期望值； S3，根据训练样本数据获取客户端的样本对并根据获取的样本对获取损失期望值，同时根据获取的损失期望值选择边缘服务器，将DQN网络中训练完成的本地模型上传至边缘服务器进行模型聚合以生成边缘模型，将生成的边缘模型上传至云端服务器生成全局模型，所述边缘服务器具有泛化能力，所述边缘模型用于实时处理训练样本数据并提高调度决策，所述全局模型用于根据调度决策评估和改进本地模型和边缘模型； 所述根据训练样本数据判断客户端是否参与本地模型训练的具体流程为： 判断训练样本数据是否等于0： 若训练样本数据等于0，则实时监测训练样本数据在预设时间段内的变化情况； 若训练样本数据不等于0，则将对应的训练样本数据通过多层感知机输入至预设数据库中进行存储，所述多层感知机用于将客户端提供的不等于0的训练样本数据转换为Q-learning的可处理状态； 所述根据训练样本数据判断客户端是否参与本地模型训练，之后还包括根据训练样本数据获取样本对； 所述样本对由样本特征和样本标签值组成； 所述样本特征为训练样本数据在预设时间段内的特征向量； 所述样本标签值为特征向量对应的标签值； 所述根据训练样本数据获取样本对，之后还包括根据获取的样本对获取对应客户端的损失期望值； 所述损失期望值用于反映本地模型在客户端的样本对上的平均性能表现； 所述损失期望值的获取步骤为： 根据本地模型训练过程中的预测值和样本标签值获取损失函数，所述预测值为本地模型参数对应的函数，所述损失函数用于量化预测值与样本标签值之间的差异程度； 根据获取的损失函数得到客户端对应样本对的损失值，同时结合损失值对应的采样结果获取损失期望值，所述损失值用于反映本地模型在单个样本对上的预测准确性，所述采样结果为客户端选中的样本对。

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湖南科技大学，其通讯地址为：411201 湖南省湘潭市雨湖区石马头；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。