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！

龙图腾网获悉重庆邮电大学申请的专利多数据集多属性模型相似性比较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：CN116451115B 。

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：202310350704.0，技术领域涉及：G06F18/24；该发明授权多数据集多属性模型相似性比较方法是由陈龙;欧阳柳;董振兴设计研发完成，并于2023-04-04向国家知识产权局提交的专利申请。

本多数据集多属性模型相似性比较方法在说明书摘要公布了：本发明涉及多数据集多属性模型相似性比较方法，属于人工智能领域。本发明通过同分布输入在对比模型上的输出分布差异来度量模型之间的相似性。本发明选择使用待比较模型双方对应的全部或部分训练集，另筛选合适的与待比较模型双方分类标签语义特征相关性较弱的数据集，将这几个数据集中的样本作为测试样本。然后将合适的测试样本分别输入待比较的两个模型中，获得相应的输出。进一步利用预测标签一致率对比模型，并通过多个来源的数据集以及多个与待比较模型双方分类标签语义特征相关性较弱的数据集综合多数据集多属性形成综合相似度。本发明解决了在无法获取模型结构和参数信息的情况下难以比较判断两个模型的相似度的问题，以达到发现无授权使用深度学习模型行为的目的。

本发明授权多数据集多属性模型相似性比较方法在权利要求书中公布了：1.多数据集多属性模型相似性比较方法，应用于人工智能领域，用于在只能访问模型接口的情况下比较两个深度学习模型的相似性，以保护模型知识产权；其特征在于：该方法包括以下步骤： S1：获取相应训练集，模型fA的所有者甲方提供其模型的训练数据集DA，模型fB的所有者乙方提供其模型的训练数据集DB； S2：选择与甲乙双方所有模型的分类标签语义相关性较弱的数据集DU； 与待比较模型分类标签语义相关性较弱的数据集为DU按照以下两个原则筛选： 一是之间相互独立； 二是内的样本在模型的决策空间内符合均匀分布，即： PX～UDRf 其中X表示的样本集合，DRf为测试模型的决策空间； 通过在中随机抽取样本预测试后，筛选DU中能够符合上式的样本集合作为测试样本； S3：获取测试样本相应的输出；将S1、S2中获得的合适测试样本分别输入甲乙两方所有模型中获得相应的输出；甲方所有模型分别在数据集DA，数据集DB以及与其模型分类标签语义相关性较弱的数据集集合DU上得到每个样本对应的预测标签；同理，乙方所有模型获得测试样本对应的预测标签； S4：比较模型，通过S3获得的输出，对比两个模型之间的预测标签一致率； 具体的甲乙双方所属模型分别在数据集DA，数据集DB以及与其模型分类标签语义相关性较弱的数据集集合DU的输出计算预测标签一致率；预测标签一致率表示为： 其中fAxi表示模型fA对于样本xi的预测标签，同样的，fBxi表示模型fB对于样本xi的预测标签；基于部分训练集测试得到抽样预测标签一致率，当样本量足够大时，根据中心极限定理，抽样预测标签一致率的分布表现为正态分布；那么抽样预测标签一致率服从以下分布，即， 其中lc为基于部分训练集测试所得预测标签一致率，计算模型fA和fB在数据集DA上对应的总体预测标签一致率，记为其在1-α的置信水平下为， 同样的，模型fA和fB在数据集DB上得到对应的预测标签一致率，记为 模型fA和fB分别在DU中的m个数据集上测试得到m个预测标签一致率{lc1,lc2,…,lcm}，其中lcj表示模型fA和fB在第j个数据集上的预测标签一致率；为避免测试过程中产生的异常值，计算模型fA和fB在m个数据集上的预测标签一致率的均值，即 与原模型分类标签语义特征不相关； S5：形成模型的综合相似度，在获取到各个数据集下的预测标签一致率的基础上，综合多个数据集形成综合相似度； 形成模型的综合相似度，其含义如下： 将S4中测试计算得到的对应的预测标签一致率值和以及在m个数据集上测试计算得到的预测标签一致率采用多属性固权决策方法，计算其综合相似度Φ，即，

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路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”。