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！

龙图腾网获悉杭州电子科技大学申请的专利一种基于特征选择和特征对齐的联邦学习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：CN116562366B 。

龙图腾网通过国家知识产权局官网在2026-04-14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：202310500556.6，技术领域涉及：G06N3/098；该发明授权一种基于特征选择和特征对齐的联邦学习方法是由谭敏;褚灵强;夏紫琳设计研发完成，并于2023-05-06向国家知识产权局提交的专利申请。

本一种基于特征选择和特征对齐的联邦学习方法在说明书摘要公布了：本发明公开了一种基于特征选择和特征对齐的联邦学习方法。本发明步骤：1、数据集获取。2、中央服务器下发当前的全局特征提取模块至所有客户机。客户机生成中间层特征并上传至中央服务器。中央服务器利用接收到中间层特征训练客户机鉴别器和特征注意力向量。3、中央服务器选择客户机子集参与本轮联邦学习并下发全局模型。4、被选中的客户机利用得到的特征注意力向量构造特征掩膜向量进行特征筛选，并进行特征对齐。5、利用得到客户机鉴别器，结合对齐损失和预测损失更新全局模型后上传至中央服务器。6、中央服务器聚合接收到的本地模型生成新的全局模型。本发明能够提升联邦学习训练的收敛速度与模型预测精度。

本发明授权一种基于特征选择和特征对齐的联邦学习方法在权利要求书中公布了：1.一种基于特征选择和特征对齐的联邦学习方法，其特征在于包含如下步骤： 步骤1、数据集获取，通过对公共数据集施加不同的高斯噪声，作为不同客户机的本地数据集； 步骤2、中央服务器下发当前的全局特征提取模块至所有客户机；客户机各自使用本地数据集和接收到的全局特征提取模块，生成中间层特征，并上传至中央服务器；中央服务器利用接收到的各方中间层特征训练客户机鉴别器和特征注意力向量； 步骤3、中央服务器按指定策略选择客户机子集参与本轮联邦学习，并下发全局模型，包括客户机鉴别器和特征注意力向量； 步骤4、被选中的客户机利用得到的特征注意力向量构造特征掩膜向量进行特征筛选，并利用特征仿射变换模块进行特征对齐； 步骤5、被选中的客户机利用得到客户机鉴别器，结合对齐损失和预测损失更新全局模型，最终将得到的本地模型上传至中央服务器； 步骤6、中央服务器按照一定策略聚合接收到的本地模型生成新的全局模型； 步骤2具体实现如下： 为了更好的捕获不同客户机本地数据分布之间的差异，使用统一的全局特征提取器对原始特征进行编码，以得到各个客户机的中间层特征集合r，具体公式如下： r＝r1∪r2…∪rN公式1 其中，ri表示客户机i的所有中间层特征集合，Ii表示原始特征； 在中央服务器上对客户机鉴别器D和特征注意力向量α进行统一优化，其训练数据来自于第i个对应的客户机的特征集合ri，具体公式如下： 其中，D*、α*分别表示更新后的客户机鉴别器和特征注意力向量，ri,j表示第i个客户机的特征集合ri中第j个特征，|Ii|表示第i个客户机原始特征的个数，N表示所有客户机的数量； 同时，使用Sigmoid的函数与缩放系数ζ来加速特征注意力向量的收敛以及达到二值化的目的；具体来说，特征注意力向量由下式产生： α＝Sigmoidζp 其中p是用于生成特征注意力向量的可训练参数，x表示函数输入值； 步骤4具体实现如下： 4-1.利用在步骤2中得到的优化后的特征注意力向量α*按照阈值θ生成掩膜向量M，公式如下： 其中，αk表示特征注意力向量α第k位的值，Mk表示掩膜向量M第k位的值； 4-2.按照掩膜向量M，筛选出对应的非独立同分布特征维度子集，在其上施加仿射变换Τi，特征仿射变换模块公式如下： Giri,M＝CΤiΘri,M,Θri,1-M Τix＝si⊙x+bi公式5 其中Θ表示特征筛选操作，C表示拼接操作，即将对齐后的非独立同分布特征维度子集和独立同分布的特征维度子集拼接成和原始大小相同的特征，si、bi为客户机i对应的仿射变换的可训练参数，x表示函数输入值。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；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。