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！

龙图腾网获悉厦门理工学院申请的专利基于梯度校正的联邦学习自适应优化方法及梯度校正器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：CN121503590B 。

龙图腾网通过国家知识产权局官网在2026-03-24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：202610036446.2，技术领域涉及：G06N3/098；该发明授权基于梯度校正的联邦学习自适应优化方法及梯度校正器是由李建敏;李晗;朱顺痣;杨淼;林政;杜侠;李林;王大寒设计研发完成，并于2026-01-13向国家知识产权局提交的专利申请。

本基于梯度校正的联邦学习自适应优化方法及梯度校正器在说明书摘要公布了：本发明提供的基于梯度校正的联邦学习自适应优化方法及梯度校正器，涉及分布式机器学习领域。本发明通过获取各客户端上传的梯度向量，并逻辑解耦得到浅层特征梯度与深层语义梯度，接着执行冲突检测生成层级冲突掩码矩阵，然后执行弹性投影修正，同时引入惯性锚点约束修正方向；将修正后的梯度聚类成若干个梯度簇，并计算信噪比，据此分配非线性聚合权重，生成全局聚合梯度；以当前轮次的梯度冲突比率与全局损失变化率共同构成误差信号，通过PID控制律动态计算增益权重与全局聚合步长，更新全局聚合梯度下发至各客户端，完成本轮联邦学习的迭代。本发明能够有效缓解非独立同分布数据下的梯度冲突，提升收敛稳定性与模型精度，实现帕累托平稳收敛。

本发明授权基于梯度校正的联邦学习自适应优化方法及梯度校正器在权利要求书中公布了：1.一种基于梯度校正的联邦学习自适应优化方法，应用于服务器端，其特征在于，包括： S1，获取各客户端上传的梯度向量，并逻辑解耦得到浅层特征梯度与深层语义梯度； S2，对所述浅层特征梯度与所述深层语义梯度分别执行冲突检测，生成层级冲突掩码矩阵； S3，基于所述层级冲突掩码矩阵，对存在冲突的梯度分量执行弹性投影修正，同时引入全局聚合梯度的指数移动平均作为惯性锚点，以约束修正方向不偏离历史优化轨迹；基于所述层级冲突掩码矩阵，对存在冲突的梯度分量执行弹性投影修正的表达式为： ； ； 其中，为客户端i弹性投影修正后的梯度；表示客户端i存在冲突的梯度；、为动态弹性系数；为冲突消除项；为在正交方向上的投影；为惯性锚点补偿项；为在惯性锚点上的投影；、分别为当前轮次、上一轮次的惯性锚点，即全局聚合梯度的指数移动平均向量，用于防止梯度更新偏离最优轨迹；为动量系数，用于平滑历史轨迹；为上一轮次的全局聚合梯度； S4，将修正后的梯度聚类成若干个梯度簇，并为每个簇计算信噪比，以各簇的信噪比为权重分配非线性聚合权重，生成全局聚合梯度； S5，基于所述全局聚合梯度，以当前轮次的梯度冲突比率与全局损失变化率共同构成误差信号，通过PID控制律动态计算增益权重与全局聚合步长，更新所述全局聚合梯度，并下发至各客户端，完成本轮联邦学习的迭代，具体为： 所述梯度冲突比率基于所述层级冲突掩码矩阵计算，用于表示当前客户端梯度的冲突激烈程度，表达式为： ； 其中，为当前轮次t的冲突比率；为客户端总数；为指示函数；为所述层级冲突掩码矩阵的元素； 则所述误差信号的计算公式为： ； ； ； 其中，为当前轮次t的误差信号；、为加权系数，用于平衡冲突偏差与损失变化率的贡献；为冲突比率偏差；为目标理想冲突比率；为全局损失变化率；、分别为当前轮次t、上一轮次的全局损失；为轮次间隔； 然后以所述误差信号为输入，通过PID控制律动态计算增益权重的公式为： ； 其中，为当前轮次t的增益权重；、、分别为比例系数、积分系数、微分系数；为历史轮次的误差信号；、分别为对、求积分； 将增益权重映射为实际优化所需的全局聚合步长，公式为： ； 其中，为当前轮次t的全局聚合步长；为初始基础步长；为步长衰减系数； 基于所述全局聚合步长与所述增益权重，更新每个簇的全局聚合梯度，得到融合信噪比与PID控制的全局聚合梯度。

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厦门理工学院，其通讯地址为：361024 福建省厦门市集美区理工路600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。