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！

龙图腾网获悉中国人民大学申请的专利一种融合分层建模、动态权重与声誉监督的联邦学习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：CN120851251B 。

龙图腾网通过国家知识产权局官网在2026-03-20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：202510988934.9，技术领域涉及：G06N20/20；该发明授权一种融合分层建模、动态权重与声誉监督的联邦学习系统是由孙怡帆;邹志豪;梅彪;秦棋;魏婷;李尔博;胡朝君;李晓冬设计研发完成，并于2025-07-17向国家知识产权局提交的专利申请。

本一种融合分层建模、动态权重与声誉监督的联邦学习系统在说明书摘要公布了：本发明属于但不限于联邦学习技术领域，公开了一种融合分层建模、动态权重与声誉监督的联邦学习系统，通过三重措施实现公平评估：依据用户样本量划分层级，分层训练模型以隔离数据差异，避免低层级用户过度影响高层级模型；动态权重调整模块，利用梯度余弦相似度近似Shapley值，实时计算用户贡献并调整聚合权重，增强高贡献用户影响力；声誉监督模块，结合滑动平均贡献值与异常检测机制，动态更新用户声誉，及时识别并剔除低质或恶意节点。该方法在MNIST和CIFAR‑10数据集上表现出更高的模型准确率与贡献评估合理性，尤其在低质污染、恶意攻击等复杂场景下，其模块化设计可灵活适配金融、医疗、物联网等多领域需求。

本发明授权一种融合分层建模、动态权重与声誉监督的联邦学习系统在权利要求书中公布了：1.一种融合分层建模、动态权重与声誉监督的联邦学习系统，其特征在于，包括： 层级划分模块，中心端与用户缔结合约，中心端将根据用户样本量降序划分L个层级，其中处于顶层的用户所含样本量排名前列而底层的用户所含样本量排名最后； 分层训练模块，训练顺序为从低到高，由第层开始训练至最高层第0层训练完成 结束，高层用户为低层用户及其对应层级模型训练提供抽样数据； 动态权重调整模块，基于用户梯度与聚合梯度的余弦相似度计算贡献值，通过非线性 函数与历史权重加权更新聚合权重，并进行归一化； 声誉监督阶模块，基于滑动平均贡献值更新声誉，结合异常检测对恶意节点惩罚、高贡献用户奖励，连续低于阈值的用户加入黑名单踢出训练系统； 梯度聚合阶模块，根据用户权重对梯度进行稀疏化处理，聚合稀疏化梯度更新全局模型； 融合分层建模、动态权重与声誉监督的联邦学习模型构建方法包括以下步骤： 步骤1，参与训练的用户根据先验信息包括用户样本量、历史声誉缔结训练合约，根据先验信息将参与训练的用户划分层级； 步骤2，根据用户层级划分结果从最低层级开始，按层级从低到高依次训练层级模型，每层模型将依据层级获取不同量的数据资源作为训练基石，直至所有层级模型训练结束； 步骤3，在中心端聚合用户梯度过程中，以第轮更新为例，中心端将根据用户上 传梯度计算每轮训练中用户贡献的Shapley值近似估计值并依此对用户上传的 梯度进行稀疏化处理和聚合权重调整；与此同时声誉监督模块将根据计算用户声誉 值变化用以监督用户行为； 步骤4，在完整训练流程结束后中心端将反馈给所有用户黑名单，并且为系统识别为正常的用户提供层级模型参数、各用户训练权重与声誉值，为后续的收益分配与可能的继续合作提供参考； 所述步骤2中，以层对应的层级模型，更高等级用户通过抽样提供部分样本量参 与该层级的模型训练，而该层及更低层用户需提供全部数据资源；以三层等级划分为例，最 低层级模型训练时，最低层用户需提供全部数据资源，而中高层用户均只需提供最低层级 用户的样本量中位数数量的样本参与训练；中层模型训练时，中低层用户提供全部数据资 源，高层用户提供中层用户的样本量中位数数量的样本参与训练；高层模型训练时所有用 户均提供全部数据资源；如此完成对不同层模型训练资源的初始化。

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中国人民大学，其通讯地址为：100872 北京市海淀区中关村大街59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。