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！

龙图腾网获悉哈尔滨工业大学申请的专利一种基于联邦学习的数据聚合方法、电子设备及存储介质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：CN120067974B 。

龙图腾网通过国家知识产权局官网在2025-11-18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：202510107857.1，技术领域涉及：G06F18/25；该发明授权一种基于联邦学习的数据聚合方法、电子设备及存储介质是由周卓涵;班晓军;卢鸿谦;尹航设计研发完成，并于2025-01-23向国家知识产权局提交的专利申请。

本一种基于联邦学习的数据聚合方法、电子设备及存储介质在说明书摘要公布了：一种基于联邦学习的数据聚合方法、电子设备及存储介质，属于联邦学习技术领域。为提高联邦学习过程中数据聚合的准确性，本发明包括构建联邦学习网络：构建由中央服务器和多个客户端组成的联邦学习网络，每个客户端分别拥有本地数据集；选择客户端；客户端进行训练；中央服务器收到各客户端上传的本地神经网络模型的参数后，以全局神经网络模型的参数和本地神经网络模型的参数为参数构建高斯分布模型，然后计算高斯分布模型的高斯中心点，设定高斯中心点的神经网络模型的参数为新一轮的全局网络模型的参数，并据此构建得到新的全局神经网络模型，然后进行准确率校验。本发明具有较高的准确率，并且还具有一定的鲁棒性。

本发明授权一种基于联邦学习的数据聚合方法、电子设备及存储介质在权利要求书中公布了：1.一种基于联邦学习的数据聚合方法，其特征在于，包括如下步骤： S1.构建联邦学习网络：构建由中央服务器和多个客户端组成的联邦学习网络，每个客户端分别拥有本地数据集； S2.选择客户端：中央服务器从多个客户端Dm中随机选择若干客户端Si，中央服务器将全局神经网络模型的参数ωt发送给Si，其中，t＝1,2,…,T，t为T中的任意一次通讯次数，T为经过t次通讯后获得的全局神经网络模型的准确率大于等于阈值时的通讯次数；m＝1,2,...,M，M为构建的联邦学习网络客户端的总数量；i＝1,2,...,k，k为随机选择的客户端总数量；其中若首次通讯，中央服务器初始化一个神经网络模型作为全局神经网络模型，且以初始化的神经网络模型的参数ω0作为t＝1次通讯时的全局神经网络模型的参数； S3.客户端进行训练：步骤S2选择的若干客户端Si接收来自中央服务器的全局神经网络模型的参数ωt，构建神经网络模型，之后使用本地数据对构建的神经网络模型进行训练得到本地神经网络模型，并且将训练的本地神经网络模型的参数上传至中央服务器； S4.中央服务器聚合数据：中央服务器收到各客户端上传的本地神经网络模型的参数后，以全局神经网络模型的参数ωt和本地神经网络模型的参数为参数构建高斯分布模型，然后计算高斯分布模型的高斯中心点，设定高斯中心点的神经网络模型的参数为新一轮的全局网络模型的参数ωt+1，并据此构建得到新的全局神经网络模型； 步骤S4中所述新一轮的全局网络模型的参数ωt+1确定方法具体包括以下步骤： S4.1.以全局神经网络模型的参数ωt和本地神经网络模型的参数作为高斯核函数的参数构建新的高斯核函数，其表达式如下： 其中，σ为高斯核宽度，为高斯核函数； S4.2.计算高斯核函数的中心点，将高斯核函数的中心点的神经网络模型的参数设定为新一轮的全局网络模型的参数ωt+1； 步骤S4.2的具体实现方法包括如下步骤： S4.2.1.对随机选择的若干客户端Si的高斯核函数值求和，其表达式为： 其中，φωt为随机梯度上升算法的目标函数； S4.2.2.采用随机梯度上升的方法计算φωt对ωt的梯度，其表达式为： 其中，为目标函数对全局神经网络参数的总梯度； 从而获得新一轮的全局网络模型的参数ωt+1； 设定随机梯度上升迭代次数为L，设定随机梯度上升的计算公式如下： 其中，α为随机梯度上升的步长；l＝1,2,…,L，l为L中的任意一次随机梯度上升迭代次数；ωt,l为当前随机梯度上的全局神经网络模型参数，在执行第一轮迭代时，ωt,l＝ωt；随机梯度上升迭代L次得到的ωt,l+1即为新一轮的全局网络模型的参数ωt+1； S5.准确率校验：中央服务器使用本地数据集测试当前全局神经网络模型的准确率，并与阈值进行对比，若准确率小于阈值，则返回步骤S2继续训练；若准确率大于等于阈值，则学习结束。

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哈尔滨工业大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街92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。