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！

龙图腾网获悉飞马智科信息技术股份有限公司申请的专利一种基于联邦学习的差分隐私图像分类方法及装置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：CN115527061B 。

龙图腾网通过国家知识产权局官网在2025-08-08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：202211087736.8，技术领域涉及：G06V10/764；该发明授权一种基于联邦学习的差分隐私图像分类方法及装置是由何诗兴;凌晨;周道付;檀长松;薛明磊;张枫设计研发完成，并于2022-09-07向国家知识产权局提交的专利申请。

本一种基于联邦学习的差分隐私图像分类方法及装置在说明书摘要公布了：本发明公开了一种基于联邦学习的差分隐私图像分类方法及装置。所述方法包括：通过本地图像集及自适应梯度下降算法及随机梯度下降算法进行局部模型训练；在自适应梯度下降算法中设置动态学习率取值范围为[ηl,ηu]；其中，取值上界ηu＝r+α*，取值下界ηl＝α*；r为标准化一阶动量估计，α*为最终学习率；基于上述训练结果获取局部参数及所述局部参数与上一轮全局参数的参数差值，并将稀疏化处理的所述参数差值发送给服务器用于聚合并形成添加差分隐私噪声的全局参数；获取所述全局参数以更新局部模型；重复上述过程至得到最优化局部模型，并通过其对待分类图像进行处理。本发明可保证模型收敛至全局最优，并使其获得良好泛化能力，且利用差分隐私噪声有效避免了模型反推。

本发明授权一种基于联邦学习的差分隐私图像分类方法及装置在权利要求书中公布了：1.一种基于联邦学习的差分隐私图像分类方法，其特征在于，包括： 步骤S102，通过本地图像集并按照自适应梯度下降算法及随机梯度下降算法进行局部模型的训练；其中，在所述自适应梯度下降算法中设置动态学习率的取值范围为[ηl,ηu]以实现所述自适应梯度下降算法与所述随机梯度下降算法间的自动切换； 其中，对局部模型的训练包括如下步骤： 计算第t轮迭代目标函数的梯度其中，wt-1为第t-1轮的权重矩阵，ft为目标函数，w为权重矩阵； 基于所述梯度gt计算第t轮的一阶动量估计mt＝β1mt-1+1-β1gt，及二阶动量估计Vt＝β2Vt-1+1-β2gt 2；其中，β1和β2为超参数，mt-1为第t-1轮的一阶动量估计，Vt-1为第t-1轮的二阶动量估计； 通过计算一阶动量估计偏置校正值，通过计算二阶动量估计偏置校正值；并通过计算标准化一阶动量估计；其中，和是超参数； 通过ηu＝r+α*得到所述取值上界ηu，并通过ηl＝α*得到所述取值下界ηl；其中，r为标准化一阶动量估计，α*为最终学习率； 步骤S104，基于局部模型的训练结果获取本轮局部参数以及本轮局部参数与上一轮全局参数的参数差值；所述本轮局部参数为其中，wt-1为上一轮的局部参数，为本轮一阶动量估计偏置校正值，η'为裁剪学习率； 步骤S106，将稀疏化处理的所述参数差值发送给服务器用于聚合并形成添加有差分隐私噪声的全局参数；其中，将稀疏化处理的所述参数差值发送给服务器包括：首先，基于top-k稀疏化算法获取参数差值中的非零元素；其次，基于sign函数将所述非零元素量化为三元张量；然后，将与所述三元张量对应的二进制消息发送给服务器； 步骤S108，获取所述全局参数以更新所述局部模型；其中，所述全局参数基于获得；其中，Mt+1为第t+1轮的全局模型，Mt为第t轮的全局模型，K为客户端个数，NGSσ2S2为差分隐私噪声，为缩放后的所述参数差值，其中，mk为第k个客户端的局部模型，||·||2为欧氏距离，S为随机算法的每一组输出； 步骤S110，依次重复步骤S102～步骤S108直至得到最优化的局部模型； 步骤S112，通过所述最优化的局部模型对待分类的图像进行图像分类处理。

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飞马智科信息技术股份有限公司，其通讯地址为：243000 安徽省马鞍山市雨山区湖南西路8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”。