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！

龙图腾网获悉华侨大学申请的专利一种资源受限下的设备无数据联邦增量学习方法及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：CN121766393B 。

龙图腾网通过国家知识产权局官网在2026-05-08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：202610249328.X，技术领域涉及：G06N3/096；该发明授权一种资源受限下的设备无数据联邦增量学习方法及系统是由龚鑫荣;柯梓滨;杨楷翔;施一帆;林琦;曾海鑫;曾焕强;朱建清;陈婧设计研发完成，并于2026-03-03向国家知识产权局提交的专利申请。

本一种资源受限下的设备无数据联邦增量学习方法及系统在说明书摘要公布了：本发明公开了一种资源受限下的设备无数据联邦增量学习方法及系统，涉及迁移学习技术领域，方法包括：基于增量数据流通过偏差修正机制对模型进行训练，得到训练后的本地参数，上传至云端，计算参数的差值得到各边缘计算设备的梯度，计算联邦平均更新方向并更新梯度与联邦平均更新方向的偏离程度计算聚合权重，对更新梯度加权融合，获得更新后的全局模型；以最小化多样性损失为目标生成旧任务的合成样本；基于合成样本开展知识蒸馏，将旧任务知识迁移至更新后的全局模型，获得最终全局模型并下发至边缘端。本发明通过偏差修正训练、偏离程度与信息熵双感知聚合和注意力引导的无数据合成与蒸馏，实现了资源受限边缘设备的联邦增量学习。

本发明授权一种资源受限下的设备无数据联邦增量学习方法及系统在权利要求书中公布了：1.一种资源受限下的设备无数据联邦增量学习方法，其特征在于，包括以下步骤： S1，各边缘计算设备获取当前任务对应的增量类别数据流，并基于该数据流计算得到各边缘计算设备对应的本地类别分布，在满足零历史数据存储的约束下，基于增量类别数据流通过偏差修正机制对本地轻量化模型进行训练，得到训练后的本地模型参数； 基于增量类别数据流通过偏差修正机制对本地轻量化模型进行训练，得到训练后的本地模型参数，包括： 基于增量类别数据流计算得到各边缘计算设备对应的本地类别分布，其中，表示第个任务中的类别在第个边缘计算设备中的出现频次； 将增量类别数据流中的样本输入本地轻量化模型，得到原始Logit值，并基于类别概率进行校准得到调整后的Logit值: ； 其中，和为控制校准强度的系数； 基于调整后的Logit值计算数据流的交叉熵损失； 基于数据流计算模型的经验边际分布，公式如下: ； 其中，为批次大小；为温度系数；表示第t个任务对应的类别标签集合； 接着计算经验边际分布与均匀先验分布的KL散度得到先验匹配损失； 最后，基于最小化由交叉熵损失和先验匹配损失组成总损失函数，通过反向传播算法更新本地轻量化模型的权重参数，直至收敛得到训练后的本地模型参数； S2，云服务器收集各边缘计算设备上传的本地模型参数，并计算各模型参数与当前全局模型参数的差值，得到各边缘计算设备的更新梯度信息； S3，云服务器基于各边缘计算设备的更新梯度信息计算对应的联邦平均更新方向，并基于各边缘计算设备的更新梯度信息、联邦平均更新方向的偏离程度和各边缘计算设备对应的本地类别分布的信息熵计算聚合权重，基于聚合权重对更新梯度信息进行加权聚合，获得更新后的全局模型； S4，云服务器构建包含注意力引导模块的生成器，通过生成器在无原始数据参与的情况下通过最小化多样性损失生成旧任务的合成样本； S5，云服务器基于旧任务的合成样本，通过知识蒸馏将旧任务的知识迁移至更新后的全局模型，获得最终更新后的全局模型，并将最终更新后的全局模型下发至各边缘计算设备。

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华侨大学，其通讯地址为：362000 福建省泉州市丰泽区城华北路269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。