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！

龙图腾网获悉中山大学申请的专利一种自适应聚合的联邦学习系统、方法、装置及存储介质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：CN115713113B 。

龙图腾网通过国家知识产权局官网在2025-07-15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：202211506085.1，技术领域涉及：G06N3/098；该发明授权一种自适应聚合的联邦学习系统、方法、装置及存储介质是由侯英威;由林麟;李浩源;吴承瀚;林俊龙;郭子晗设计研发完成，并于2022-11-29向国家知识产权局提交的专利申请。

本一种自适应聚合的联邦学习系统、方法、装置及存储介质在说明书摘要公布了：本发明公开了一种自适应聚合的联邦学习系统、方法、装置及存储介质，通过中央服务器下发全局模型至所有客户机，使得客户机基于本地数据训练本地模型后将更新后的本地模型返回至中央服务器，中央服务器根据客户机的数据特征及模型特征自适应地计算出各个客户机的归一化权重，然后采取不同的聚合模式进行全局模型的聚合更新，并预测不同聚合模式下的第一模型准确率、第一时间成本以及第一通信成本，再对这些预测信息进行推送便于根据用户需求选择合适的聚合模式，然后根据该聚合模式进行正式的联邦学习训练。本发明实施例可以自适应地计算聚合权重并选择合适的聚合模式进行联邦学习训练，提高了联邦学习的训练效率，可广泛应用于联邦学习技术领域。

本发明授权一种自适应聚合的联邦学习系统、方法、装置及存储介质在权利要求书中公布了：1.一种自适应聚合的联邦学习系统，其特征在于，包括： 本地训练层，用于客户机在接收到中央服务器发送的全局模型后，基于本地数据进行模型训练并将更新后的本地模型返回至所述中央服务器； 特征感知层，用于获取各所述客户机的数据特征和所述本地模型的模型特征； 权重分配层，用于根据所述数据特征和所述模型特征计算得到各所述客户机在全局模型加权聚合时的归一化权重； 聚合更新层，用于根据所述归一化权重和预设的多个聚合模式对各所述客户机上传的所述本地模型进行加权聚合，计算当前聚合轮次所述全局模型的模型准确率，并将更新后的所述全局模型下发至参与聚合的各所述客户机； 信息预测层，用于根据当前聚合轮次的所述模型准确率和前一聚合轮次的所述模型准确率进行预测，得到对应各所述聚合模式的预测信息，所述预测信息包括各所述聚合模式下在预设时间内可以达到的第一模型准确率，以及达到预设的第二模型准确率所需的第一时间成本和第一通信成本； 策略选择层，用于根据所述中央服务器推送的所述预测信息和预先获取的用户需求从所述聚合模式中选取出第一聚合模式，并根据所述第一聚合模式进行正式的联邦学习训练； 所述归一化权重的计算公式为： 其中，表示第k个客户机参与全局模型加权聚合时的归一化权重，表示第k个客户机的时间归一化权重，DWk表示第k个客户机的数据量归一化权重，表示第k个客户机的数据丰富度归一化权重； 所述时间归一化权重的计算公式为： TWk＝r-rk+1-α 其中，TWk表示第k个客户机的时间权重，K表示参与训练的客户机的总数，r表示当前的聚合轮次，rk表示第k个客户机接收到的全局模型所聚合的轮次，α表示预设的超参数，α∈0,1； 所述数据量归一化权重的计算公式为： 其中，n表示当前聚合轮次所有客户机的数据总量，nk表示第k个客户机的本地数据样本的数据量； 所述数据丰富度归一化权重的计算公式为： 其中，IWk第k个客户机的本地数据样本的数据丰富度，pi,k表示第k个客户机的本地数据样本中第i类样本所占的比例，lk表示第k个客户机的本地数据样本的样本类别总数。

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山大学，其通讯地址为：510275 广东省广州市海珠区新港西路135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”。