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！

龙图腾网获悉浙江财经大学申请的专利基于实例相似性和动态平衡池的自监督纵向联邦学习方法及装置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：CN120218188B 。

龙图腾网通过国家知识产权局官网在2026-01-30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：202510291354.4，技术领域涉及：G06N3/098；该发明授权基于实例相似性和动态平衡池的自监督纵向联邦学习方法及装置是由张文宇;陈帅;张帅;黄小玲;毛庆均;程远哲设计研发完成，并于2025-03-12向国家知识产权局提交的专利申请。

本基于实例相似性和动态平衡池的自监督纵向联邦学习方法及装置在说明书摘要公布了：本发明属于联邦学习技术领域，公开了一种基于实例相似性和动态平衡池的自监督纵向联邦学习方法及装置，将对比自监督方法与实例相似性结合，能够帮助各参与方的私有纵向联邦学习模型捕获更重要的域间知识，从而提升各参与方模型的泛化能力和表征能力，同时避免了正则化冲突。此外，提出了动态平衡池模块，用于在下游监督任务中对预训练模型进行微调并动态平衡域间和域内知识，从而提升联合纵向联邦学习模型的性能。

本发明授权基于实例相似性和动态平衡池的自监督纵向联邦学习方法及装置在权利要求书中公布了：1.一种基于实例相似性和动态平衡池的自监督纵向联邦学习方法，用于个参与方和一个服务器协同训练一个联合纵向联邦学习模型，其特征在于，所述联合纵向联邦学习模型包括教师网络、本地网络、动态平衡池模块和分类器，个参与方中拥有标签的作为主动方、其余的作为被动方，所述基于实例相似性和动态平衡池的自监督纵向联邦学习方法，包括预训练阶段和微调阶段，其中： 所述预训练阶段包括： 各参与方使用对齐图像样本协同训练各自的教师网络，协同训练中基于教师网络的输出计算实例相似性，并结合实例相似性计算损失； 各参与方使用本地私有图像样本以及各自的教师网络，训练各自的本地网络； 各参与方将本地网络上传至服务器，服务器聚合各本地网络后生成全局网络，并将全局网络下发至各参与方作为新的本地网络； 重复执行预训练阶段，直至预训练结束； 其中，所述各参与方使用对齐图像样本协同训练各自的教师网络，包括： 所述教师网络包括教师编码器和教师投影器，将所述对齐图像样本输入教师编码器转为教师中间表征，然后将教师中间表征输入教师投影器转为教师最终表征； 基于教师最终表征生成第一正样本对，并根据第一正样本对计算表征自监督损失； 基于教师中间表征计算各参与方的实例相似性，根据实例相似性生成第二正样本对，并根据第二正样本对计算实例自监督损失； 聚合表征自监督损失和实例自监督损失作为协同训练最终损失，并根据协同训练最终损失更新教师网络； 所述微调阶段包括： 各参与方分别将对齐且带标签图像样本输入各自的教师网络和本地网络，并利用动态平衡池模块聚合教师网络输出的中间表征和本地网络输出的中间表征，得到各自的最终表征； 被动方将最终表征发送至主动方进行聚合，得到聚合表征； 主动方利用分类器将聚合表征转换为预测值，根据预测值和标签训练动态平衡池模块和分类器； 重复执行微调阶段，直至微调结束，输出训练好的联合纵向联邦学习模型； 其中，所述利用动态平衡池模块聚合教师网络输出的中间表征和本地网络输出的中间表征，得到各自的最终表征，包括： 取参与方教师网络输出的中间表征，和参与方本地网络输出的中间表征，计算遗忘因子如下： ； 式中，表示沿特征轴的拼接操作，是多层感知机，为sigmoid函数； 计算更新因子如下： 提取隐含信息如下： 式中，是激活函数，是全连接层，是Hadamard乘积； 则计算得到最终表征如下： 式中，为参与方得到的最终表征。

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浙江财经大学，其通讯地址为：310018 浙江省杭州市下沙高教园区学源街18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。