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！

龙图腾网获悉广州大学申请的专利基于差分隐私的联邦学习模型层裁剪方法及系统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：CN117131918B 。

龙图腾网通过国家知识产权局官网在2025-08-19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：202310624748.8，技术领域涉及：G06N3/082；该发明授权基于差分隐私的联邦学习模型层裁剪方法及系统是由陈淑红;杨家维;王国军;揭智勇;彭滔;冯光辉设计研发完成，并于2023-05-29向国家知识产权局提交的专利申请。

本基于差分隐私的联邦学习模型层裁剪方法及系统在说明书摘要公布了：本发明提供了一种基于差分隐私的联邦学习模型层裁剪方法及系统，其中，方法包括：根据联邦学习模型中本地模型与全局模型中的梯度符号和梯度大小衡量本地模型和全局模型的相关性，用于筛选本地模型中相关性高于预设相关性的相关层，裁剪低于预设相关性的相关层；采用基于Top‑K的梯度稀疏化方法筛选高于预设相关性的相关层内梯度值大于预设梯度值的参数进行双重裁剪；在服务端进行全局模型的聚合时考虑上一轮服务端全局模型的历史参数信息；采用预设的本地差分隐私机制对本地模型的参数进行扰动，对本地模型注入噪声。本申请通过减少上传的模型参数，确保模型注入小量噪声，在保证模型具有良好隐私性和准确性的前提下，实现更高的通信效率。

本发明授权基于差分隐私的联邦学习模型层裁剪方法及系统在权利要求书中公布了：1.一种基于差分隐私的联邦学习模型层裁剪方法，其特征在于，包括： S1、根据联邦学习模型中本地模型与全局模型中的梯度符号和梯度大小衡量本地模型和全局模型的相关性，用于筛选本地模型中相关性高于预设相关性的相关层，裁剪低于预设相关性的相关层； S2、采用基于Top-K的梯度稀疏化方法筛选所述高于预设相关性的相关层内梯度值大于预设梯度值的参数进行双重裁剪； S3、在服务端进行全局模型的聚合时考虑上一轮服务端全局模型的历史参数信息； S4、采用预设的本地差分隐私机制对本地模型的参数进行扰动，所述预设的本地差分隐私机制对本地模型注入噪声； 所述S1具体包括： 通过公式1和2，分别根据梯度符号和梯度大小来衡量本地模型和全局模型的相关性： 公式1； 其中，是包含个模型参数的本地模型，是包含个模型参数的全局模型，表示基于梯度符号的相关性，j表示神经网络的第层，表示第层神经网络的元素个数，S表示符号函数，若和符号相同，则为1，否则为0，sgn用于提取梯度符号； 公式2； 其中，V表示基于梯度大小的相关性，表示为本地梯度值和全局梯度值之间的距离满足预设条件则为1，否则为0，val表示取值函数，用于提取梯度的具体数值； 所述S3具体包括： 通过公式3和公式4获取本轮服务端全局模型： 公式3； 公式4； 其中，是上一轮次的历史全局模型，是下一轮待更新全局模型，是当前轮通过联邦平均算法聚合客户端的梯度后更新的全局模型，为所有客户端梯度参数的均值，为更新算法的学习率。

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广州大学，其通讯地址为：510006 广东省广州市番禺区小谷围街道大学城外环西路230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”。