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！

龙图腾网获悉浙江工业大学申请的专利一种基于隐私保护的个性化联邦学习方法和装置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：CN115329885B 。

龙图腾网通过国家知识产权局官网在2025-07-29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：202211014315.2，技术领域涉及：G06F18/214；该发明授权一种基于隐私保护的个性化联邦学习方法和装置是由陈晋音;李明俊;刘涛设计研发完成，并于2022-08-23向国家知识产权局提交的专利申请。

本一种基于隐私保护的个性化联邦学习方法和装置在说明书摘要公布了：本发明公开了一种基于隐私保护的个性化联邦学习方法和装置，客户端进行每轮训练，得到训练好的本地模型矩阵参数并上传给相对应的个性化模型；根据本轮训练好的本地模型矩阵参数的变化量，计算每个客户端的阈值，随后计算每个客户端的频率稀疏度；根据频率稀疏度集合，将客户端分簇；对同一个簇的客户端上传的本地模型参数求平均，并将平均值作为新的全局模型矩阵参数下发给同一个簇的客户端；重复直至全局模型收敛，完成个性化联邦学习的训练。本发明在计算频率稀疏度过程中始终保护用户隐私，通过稀疏度的相似性对客户端进行聚类，形成K个簇，对这K个簇的客户端分布进行聚合操作，以达到协作训练和个性化联邦学习的效果。

本发明授权一种基于隐私保护的个性化联邦学习方法和装置在权利要求书中公布了：1.一种基于隐私保护的个性化联邦学习方法，其特征在于，包括以下步骤： 1初始化联邦学习训练环境； 2服务器在云端为每个客户端设置相对应的个性化模型，每个个性化模型将自身的全局模型矩阵参数下发给相对应的客户端，开始联邦学习训练； 3参与训练的客户端，进行第t轮的训练，得到训练好的本地模型矩阵参数并上传给相对应的个性化模型；根据本轮训练好的本地模型矩阵参数的变化量，计算每个客户端的阈值αi,t，并更新每个客户端的矩阵[wcf-matrixi,t]；根据每个客户端的矩阵[wcf-matrixi,t]，计算每个客户端的频率稀疏度εi,t，得到频率稀疏度集合{ε1,t,ε2,t,…,εi,t,…,εk,t}； 所述步骤3具体包括以下子步骤： 3.1参与训练的客户端pi不进行数据共享，在本地对下发的全局模型权重进行本地模型训练： 对于第t轮训练，得到训练好的本地模型矩阵参数并上传给相对应的个性化模型Ni； 3.2计算第t轮本地模型训练后每个客户端pi的阈值αit，计算公式如下： 其中，αi,t表示第t轮本地模型训练后每个客户端pi的阈值；表示本地模型矩阵参数中第u行、第v列的子参数；表示初始化的全局模型矩阵参数中第u行、第v列的子参数； 3.3若则更新矩阵[wcf-matrixi,t]中第u行、第v列的子参数： 若则更新矩阵[wcf-matrixi,t]中第u行、第v列的子参数： 其中，[wcf-matrixi,t]u,v表示矩阵[wcf-matrixi,t]中第u行、第v列的子参数； 重复上述步骤，更新整个矩阵[wcf-matrixi,t]； 3.4由每个客户端的矩阵[wcf-matrixi,t]，计算每个客户端的频率稀疏度εi,t，并得到频率稀疏度集合{ε1,t,ε2,t,…,εi,t,…,εk,t}，频率稀疏度εi,t的计算公式如下： 4根据频率稀疏度集合{ε1,t,ε2,t,…,εi,t,…,εk,t}进行K-Means聚类操作，将频率稀疏度集合{ε1,t,ε2,t,…,εi,t,…,εk,t}中的频率稀疏度分为K簇；并将同一簇内的频率稀疏度εi,t所表示的客户端分为同一簇； 5对同一个簇的客户端上传的本地模型参数求平均，并将平均值作为新的全局模型矩阵参数下发给同一个簇的客户端； 6重复步骤3-步骤5，直至全局模型收敛，完成个性化联邦学习模型的训练。

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浙江工业大学，其通讯地址为：310014 浙江省杭州市下城区潮王路18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”。