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！

龙图腾网获悉大连理工大学申请的专利一种使用分类器辅助的解决Non-IID问题的联邦对比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：CN119358641B 。

龙图腾网通过国家知识产权局官网在2025-09-19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：202411460702.8，技术领域涉及：G06N3/098；该发明授权一种使用分类器辅助的解决Non-IID问题的联邦对比学习方法是由李卫超;李祎;郭艳卿;刘航;王波设计研发完成，并于2024-10-18向国家知识产权局提交的专利申请。

本一种使用分类器辅助的解决Non-IID问题的联邦对比学习方法在说明书摘要公布了：本发明提供一种使用分类器辅助的解决Non‑IID问题的联邦对比学习方法。本发明通过在特征空间中将同类的数据的距离拉近，不同类的数据距离拉远来学习特征表示。本发明中同类的数据是指通过全局模型得到的属于同一个类别的样本特征。由于对比学习可以更充分利用不同样本特征之间的互信息。在数据不均衡的数据集上，对比学习可以通过类平均策略平衡不同类别在损失中的比重，在降低多数量类别重要性的同时使得模型更加注重少数类别，因此在处理不平衡数据中有广泛的应用前景。然而，联邦学习中由于缺少统一的特征表示，对比学习往往会使得不同本地样本之间的差异性拉大，因此，统一的特征表示是对比学习在联邦学习中应用的关键。

本发明授权一种使用分类器辅助的解决Non-IID问题的联邦对比学习方法在权利要求书中公布了：1.一种使用分类器辅助的解决Non-IID问题的联邦对比学习方法，其特征在于，包括以下步骤： 步骤1：设计使用一种用于联邦对比学习的双分支网络框架并初始化全局模型，下发到本地客户端； 步骤2：输入样本x经过两次不同的数据增强得到两个不同的增强后的样本xa,xb；将两个样本xa,xb同时输入特征提取器h得到不同的特征va,vb；之后对特征向量使用批归一化处理得到归一化的样本za,zb； 步骤3：将样本特征za输入分类器f得到样本对不同类别的输出概率向量Q，计算输出概率向量Q与其标签y之间的有偏置项的交叉熵损失； 步骤4：对于样本特征zb通过特征提取器后使用投影头P得到其特征表示px；对于样本特征za通过全局模型的投影头得到p′x，同时将全局模型的分类器的权重[ω1,ω2,...,ωl]拆分成类向量之后将每个向量归一化到模值为1，通过全局模型的投影头得到特征向量pw； 步骤5：计算当前本地模型的对比损失以及交叉熵损失； 步骤6：根据损失进行梯度更新并返回步骤2，重复多轮； 步骤7：将多个客户端的本地模型上传到服务器； 步骤8：服务器根据不同客户端的数据量对来自多个客户端的模型参数进行加权求和，得到一个平均后的全局模型； 步骤9：全局模型下发到本地，重复步骤1。

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大连理工大学，其通讯地址为：116024 辽宁省大连市高新园区凌工路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”。

以上内容由龙图腾AI智能生成。