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！

龙图腾网获悉华中科技大学申请的专利一种协作学习场景下基于噪声扰动的隐私保护方法和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：CN116186780B 。

龙图腾网通过国家知识产权局官网在2025-09-23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：202310302147.5，技术领域涉及：G06F21/62；该发明授权一种协作学习场景下基于噪声扰动的隐私保护方法和系统是由胡胜山;陆建荣;李明慧;王乙臣;薛潞潞设计研发完成，并于2023-03-27向国家知识产权局提交的专利申请。

本一种协作学习场景下基于噪声扰动的隐私保护方法和系统在说明书摘要公布了：本发明公开了一种协作学习场景下基于噪声扰动的隐私保护方法，其采用两个主要措施来实现隐私保护语模型性能之间的有效权衡。一方面设计一种新的梯度裁剪方式，将每一个梯度参数都视为隐私保护对象进行处理，然后再对裁剪后的梯度参数进行噪声扰动。另一方面使用偏差纠正机制来在本轮更新的参数中纠正前面累积的偏差，从而在不影响通信效率与隐私的前提下保障了模型的性能。本发明的优点在于，它不仅可以保护参与方的隐私，还可以在不牺牲模型性能的情况下提高训练效率和准确性，从而实现协作学习的安全性和可用性的双赢。

本发明授权一种协作学习场景下基于噪声扰动的隐私保护方法和系统在权利要求书中公布了：1.一种协作学习场景下基于噪声扰动的隐私保护方法，其特征在于，包括以下步骤： 1服务端与所有客户端共同协商确定作为全局模型进行训练的神经网络模型，并确定参与训练的客户端的数量M，训练过程的迭代总次数，全局模型的学习率lr，以及训练过程中所使用的损失函数L； 2服务端设置计数器cnt＝1，并初始化全局模型，以得到第cnt次迭代时的全局模型Gcnt以及参数矩阵Wcnt和偏置矩阵vcnt； 3服务端判断cnt是否大于步骤1中确定的训练过程的迭代总次数，如果是则过程结束，否则转入步骤4； 4服务端将当前全局模型Gcnt的参数矩阵Wcnt和偏置矩阵bcnt与计数器cnt发送到客户端； 5第i个客户端判断来自服务端的计数器cnt是否等于1，如果是则初始化累积偏差值然后转入步骤6；否则设置累积偏差值然后进入步骤6；其中是在第i个客户端再第cnt-1轮迭代中的累积偏差值；其中i∈[1，参与训练的客户端的数量M]； 6第i个客户端根据来自服务端的第cnt次迭代时的全局模型Gcnt的参数矩阵Wcnt和偏置矩阵bcnt，获取第i个客户端第cnt次迭代时的本地梯度向量 7第i个客户端根据步骤6获得的客户端第cnt次迭代时的本地梯度向量与步骤5获得的第cnt次迭代时的累积偏差值进行偏差纠正，以得到第cnt次迭代时经偏差纠正后的本地梯度向量 8第i个客户端对步骤7中得到的第cnt次迭代时经偏差纠正后的本地梯度向量进行裁剪，以得到第cnt次迭代时裁剪后的本地梯度向量 9第i个客户端对步骤8中得到的第cnt次迭代时裁剪后的本地梯度向量添加噪声，以获取第cnt次迭代时扰动后的梯度 10第i个客户端对步骤7得到的第cnt次迭代时的本地梯度向量和对步骤9得到的第cnt次迭代时扰动后的本地梯度向量进行本地偏差记录，以得到第cnt次迭代时的本地偏差并将该第cnt次迭代时扰动后的本地梯度向量发送到服务端； 11服务端获取来自所有客户端发送的第cnt次迭代时扰动后的本地梯度向量，然后对这些获取到的扰动后的本地梯度向量取平均值，作为第cnt次迭代时全局模型的梯度向量ΔWcnt； 12服务端根据步骤11中得到的第cnt次迭代时全局模型的梯度向量ΔWcnt和步骤1中确定的全局模型学习率lr，更新全局模型的参数矩阵，以得到第cnt+1次迭代的全局模型参数矩阵Wcnt+，更新计数器cnt＝cnt+1，并返回步骤3。

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华中科技大学，其通讯地址为：430074 湖北省武汉市洪山区珞喻路1037号华中科技大学；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”。