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！

龙图腾网获悉北京工业大学申请的专利面向舆情场景的高效可验证联邦学习情感分类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：CN120409465B 。

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：202510362522.4，技术领域涉及：G06F40/247；该发明授权面向舆情场景的高效可验证联邦学习情感分类方法是由于海阳;张天佑;杨震设计研发完成，并于2025-03-26向国家知识产权局提交的专利申请。

本面向舆情场景的高效可验证联邦学习情感分类方法在说明书摘要公布了：本发明公开了一种面向舆情场景的高效可验证联邦学习情感分类方法，包括：初始化阶段对方案进行初始化；各参与方对大语言模型进行训练,得到局部梯度更新；参与方使用卷积梯度压缩对局部梯度进行压缩,得到梯度更新,并上传至服务器；服务器接收到所有参与方的压缩梯度后,进行安全聚合,得到全局梯度更新；服务器根据概率梯度采样策略,随机采样部分梯度维度,发送给参与方验证；参与方对梯度维度进行解压缩,并与本地梯度进行比较,验证服务器聚合的正确性；服务器根据随机层参数验证机制,抽取部分层的参数,要求参与方提供相应的局部参数；服务器下传随机层的局部参数,由参与方进行验证；本发明旨在实现高效、安全且可验证的联邦学习。

本发明授权面向舆情场景的高效可验证联邦学习情感分类方法在权利要求书中公布了：1.一种面向舆情场景的高效可验证联邦学习情感分类方法，其特征在于，包括以下步骤： 步骤1、初始化阶段对方案进行初始化； 步骤2、各参与方，即各客户端在本地利用自己的数据对大语言模型进行训练,得到局部梯度更新；参与方使用卷积梯度压缩CGC对局部梯度进行压缩,得到压缩后的梯度更新,并上传至服务器；服务器接收到所有参与方的压缩梯度后,首先进行安全聚合,得到全局梯度更新； 所述步骤2具体如下： 在训练和更新过程中,首先输入客户端i的第l层的梯度矩阵以及初始化阶段生成的矩阵；对每个客户端i的梯度矩阵进行卷积得到卷积值Wl,i；其中Wl,i[x,y]表示在位置x,y处的卷积结果，[u,v]表示卷积核的偏移量，M表示卷积核的大小；并计算其同态哈希值并广播给其他客户端，其中表示哈希函数；接着每个客户端i对第l层的梯度进行加密上传至服务器；服务器聚合加密梯度得到然后对于随机选择服务器模型的NL-l层中的梯度矩阵Gl′,其中NL表示服务器模型的总层数，l'表示随机选择的层；对选择的梯度矩阵卷积得到卷积值Wl′；计算同态哈希值并用每个客户端i的随机矩阵加密每层l'的梯度最后收集每个客户端i所有选定层的哈希值序列hl′和加密序列Sl′,k,由服务器广播给其他客户端； 步骤3、服务器根据概率梯度采样策略PGS,随机采样部分梯度维度,发送给参与方进行验证；参与方对接收到的梯度维度进行解压缩,并与本地梯度进行比较,验证服务器聚合的正确性； 所述步骤3具体如下： 每个客户端用卷积核Kt对聚合梯度El进行卷积得到卷积值El；计算聚合梯度的同态哈希值并将每个客户端i的hl,i哈希值进行同态乘法如果Hl≠hl,则验证失败； 在步骤3中，所述概率梯度采样策略PGS具体如下： 设第e轮迭代中客户端i在第l层的梯度矩阵为其中d表示梯度维度；概率梯度采样策略PGS从中随机选取一个维度a的梯度矩阵进行验证，a＜d,其中中的每个元素被选中的概率为 步骤4、服务器根据随机层参数验证机制,抽取部分层的参数,要求参与方提供相应的局部参数；服务器下传随机层的局部参数,由参与方进行验证,确保全局参数的一致性； 步骤5、验证通过后,参与方将全局梯度更新应用于局部模型,开始新一轮的联邦学习。

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北京工业大学，其通讯地址为：100020 北京市朝阳区平乐园100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。