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！

龙图腾网获悉合肥工业大学申请的专利一种基于类别分布感知的非平衡数据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：CN116662810B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202310678649.8，技术领域涉及：G06F18/214；该发明授权一种基于类别分布感知的非平衡数据联邦学习方法是由姚远志;齐美彬设计研发完成，并于2023-06-07向国家知识产权局提交的专利申请。

本一种基于类别分布感知的非平衡数据联邦学习方法在说明书摘要公布了：本发明公开一种基于类别分布感知的非平衡数据联邦学习方法，包括：步骤11，本地用户共享本地模型结构，根据本地数据集计算类别分布感知因子；步骤12，本地用户建立本地模型训练中模型参数与损失函数的关联模型，用类别分布感知因子与绝对权重差值和构造类别分布感知的交叉熵损失函数，更新本地模型，将本地模型梯度上传服务器；步骤13，服务器聚合本地用户的交叉熵损失函数计算出本地模型梯度，更新全局模型；步骤14，本地用户从服务器下载全局模型，服务器用非平衡数据集验证全局模型准确度是否大于预设阈值，若是执行步骤15，若否重复执行步骤12、13；步骤15，完成非平衡数据联邦学习训练。该方法能提高非平衡数据联邦学习全局模型的准确度。

本发明授权一种基于类别分布感知的非平衡数据联邦学习方法在权利要求书中公布了：1.一种基于类别分布感知的非平衡数据联邦学习方法，其特征在于，包括： 步骤11，本地用户共享本地模型的网络结构，并根据本地数据集计算类别分布感知因子； 步骤12，本地用户建立本地模型训练过程中模型参数与损失函数的关联模型，使用所述步骤11得到的类别分布感知因子与绝对权重差值和构造类别分布感知的交叉熵损失函数，完成本地模型更新，并将训练完成的本地模型梯度作为共享参数上传到服务器；具体为： 步骤121，在每次本地模型更新过程中每个本地用户的本地模型的参数由更新为，本地模型使用的类别分布感知的交叉熵损失函数用泰勒级数表示； 步骤122，每个本地用户按以下公式4计算第次本地模型更新时的绝对权重差值和为：4； 其中，为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，本地模型中最后一个全连接层有个参数；随着本地模型的收敛，绝对权重差值和趋近于零； 步骤123，本地用户按以下公式5使用类别分布感知因子与绝对权重差值和构造类别分布感知的交叉熵损失函数为：5； 其中，为在第次本地模型更新时的本地模型参数；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；为类别感知权重； 步骤124，第个本地用户使用类别分布感知的交叉熵损失函数完成第次本地模型更新，表示为：7； 其中，为第个本地用户在完成第次本地模型更新时的本地模型参数；为第个本地用户在完成第次本地模型更新时的本地模型参数；为第个本地用户在完成第次本地模型更新时由类别分布感知的交叉熵损失函数计算得到的本地模型梯度；为本地模型的更新学习率； 步骤125，每个本地用户重复执行步骤122）、步骤123）和步骤124）直到本地模型更新次数达到本地模型更新轮数时为止，并将训练完成的本地模型梯度作为共享参数上传到服务器； 步骤13，服务器聚合本地用户上传的由类别分布感知的交叉熵损失函数计算得到的本地模型梯度，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，服务器使用非平衡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，完成非平衡数据联邦学习训练过程。

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合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193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”。