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！

龙图腾网获悉电子科技大学申请的专利一种基于模型分层的多任务联邦学习客户端贡献度度量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：CN119129704B 。

龙图腾网通过国家知识产权局官网在2025-10-21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：202411100711.6，技术领域涉及：G06N3/098；该发明授权一种基于模型分层的多任务联邦学习客户端贡献度度量方法是由陈爱国;罗光春;许亿志;李舒婷;王天孜;张一鸣设计研发完成，并于2024-08-12向国家知识产权局提交的专利申请。

本一种基于模型分层的多任务联邦学习客户端贡献度度量方法在说明书摘要公布了：本发明提供一种基于模型分层的多任务联邦学习客户端贡献度度量方法，涉及联邦学习及机器学习模型分层技术。该方法包含一个中央服务器和多个客户端节点的分布式架构，首先配置联邦学习环境及数据准备，之后中央服务器衡量现有联邦任务下各客户端贡献度，其次中央服务器对收到的模型参数进行分层并计算模型各层的梯度；计算相对于发起方客户端的模型分层相似度以得到归一化的贡献向量，根据贡献向量和客户端上的数据量计算得到新模型，并选取下一轮参与训练的客户端，更新任务队列。该发明能够准确识别联邦学习各客户端的贡献，实现更准确的分层贡献度量下的模型聚合，同时保持与通用联邦学习相同的隐私保护效果，优化联邦学习时间和提高模型精度。

本发明授权一种基于模型分层的多任务联邦学习客户端贡献度度量方法在权利要求书中公布了：1.一种基于模型分层的多任务联邦学习客户端贡献度度量方法，应用于包括中心服务器和多个客户端节点的分布式架构，其特征在于，所述方法具体包括以下步骤： S1、配置联邦学习的环境以及数据准备，包括： 联邦学习环境的配置包括配置中央服务器，将N个参与训练的客户端接入私有网络； 数据准备包括数据样本获取以及数据预处理；具体的，各参与者获取各自的样本数据与数据标签其中表示第i个参与者的样本数据,表示第i个参与者的数据标签； 中央服务器与各参与训练的联邦客户端建立连接，客户端向中央服务器发送任务请求，服务器端生成任务队列Q；客户端向服务器发送本地样本的数据量其中表示客户端i上的数据量大小；服务器获得所有客户端的数据量后，计算得到总的数据量 S2、中央服务器衡量现有联邦任务下各客户端贡献度： S2.1、客户端x发起联邦任务，中央服务器从N个客户端中选择K个参与训练的客户端，K个参与训练的客户端中始终包含客户端x；其次，更新集合轮次R、本地客户端上的本地训练轮次T、训练批次大小B和客户端本地的损失函数f·，实现模型训练的初始化； S2.2、中央服务器初始化模型并分发给参与的K个客户端； S2.3、参与训练的K个客户端在本地以批次为B，在其私有的本地数据上训练轮次T； S2.4、基于分布式梯度下降法，每个边缘节点通过其本地数据和接收到的模型参数准备计算当前回合的梯度值； S2.5、基于接收到的损失函数和模型参数，每个参与训练的客户端随机选择其本地的一定量的数据，通过反向传播算法，使用选择到的本地数据计算它当前回合接收到的模型参数的最新梯度值其中i表示边缘节点的编号，θi表示当前回合接收到的模型参数值，fi表示接收到的模型损失函数，表示反向传播算法，它会通过其本地数据计算基于模型xi和损失函数fi的当前回合梯度值参与训练的客户端向中央服务器发送本地训练后的参数θi； S3、贡献度度量过程，包括以下步骤： S3.1、中央服务器接收到参数后对模型分层，计算模型各层的梯度； S3.2、对于本轮参加训练的客户端，中央服务器计算其相对于客户端x的模型分层相似度，归一化后得到K个参与训练客户端相对于客户端x的贡献向量αx； S4、中央服务器向目标任务客户端下发新模型； S4.1、根据贡献向量αx和参与训练的客户端上数据量作为联合向量计算得到目标任务客户端新模型参数 S4.2、服务器根据联合贡献向量选取下一轮参与目标任务训练的K个客户端； S4.3、重复步骤S2和S4，直到达到目标任务预定训练轮次或预设精度； S5、更新任务队列； S5.1、从当前任务队列Q中删除已经完成训练的任务，选取下个任务继续训练； S5.2、将队首指针后移至下一个任务，若指针指向为空，则完成全部训练任务； S5.3、若训练过程中有新任务增加，根据任务是否为实时任务选择将其插入队列的位置。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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。