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！

龙图腾网获悉西安电子科技大学申请的专利基于自适应模型扰动的联邦学习分类模型训练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：CN117056785B 。

龙图腾网通过国家知识产权局官网在2025-09-05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：202311113980.1，技术领域涉及：G06F18/24；该发明授权基于自适应模型扰动的联邦学习分类模型训练方法是由王子龙;胡嘉琪;陈谦;王鸿波;罗可设计研发完成，并于2023-08-31向国家知识产权局提交的专利申请。

本基于自适应模型扰动的联邦学习分类模型训练方法在说明书摘要公布了：本发明提出一种基于自适应模型扰动的联邦学习分类模型训练方法，实现步骤为：构建联邦学习系统；客户端获取训练样本集；服务器端获取全局测试样本集，初始化全局分类模型和强化学习模型；服务器为客户端自适应分配隐私预算；客户端对本地分类模型进行迭代训练；客户端对本地分类模型进行自适应扰动；服务器聚合本地分类模型的权值参数；服务器获取联邦学习分类模型的训练结果。本发明服务器采用强化学习算法，根据存储的本地分类模型性能、隐私预算和奖励信息，为本地分类模型自适应分配隐私预算，控制本地分类模型添加的噪声，避免了扰动程度过大或过小对模型的影响，进而提高了联邦学习的隐私保护能力和性能。

本发明授权基于自适应模型扰动的联邦学习分类模型训练方法在权利要求书中公布了：1.一种基于自适应模型扰动的联邦学习分类模型训练方法，其特征在于，包括如下步骤： 1构建联邦学习系统： 构建包括服务器和N个客户端的联邦学习系统，其中，N≥2，第n个客户端表示为cn； 2每个客户端获取本地训练样本集，并初始化本地训练参数： 每个客户端cn获取包含L个目标类别的M幅图像，并对每幅图像中的目标进行标注后，将所有图像及其对应的标签组成本地训练样本集，同时初始化本地迭代次数为e，最大迭代次数为E，其中，L≥2，M≥500，E＞0； 3服务器获取全局测试样本集，初始化全局分类模型和强化学习模型及相关参数： 服务器将包含L个目标类别的Mg幅图像及其对应的标签组成全局测试样本集；同时初始化聚合轮次为t，最大聚合轮次为T，T≥100，初始化包括顺次连接的K个特征提取模块和F个全连接层的权值参数为ωg的全局分类模型Xg；初始化包括权值参数为ωa的Actor网络Xa和权值参数为ωc的Critic网络Xc的强化学习模型；初始化强化学习经验数量amount和强化学习模型更新阈值warmup；并将Xg发送给每个客户端cn；其中，Mg≥5000，K≥2，F≥2，令t＝0，amount＝0； 4服务器为每个客户端自适应分配隐私预算： 服务器计算第t轮全局分类模型在全局测试样本集上的精确度得到本轮状态st；判断amount≥warmup是否成立，若是，通过st和Actor网络为每个客户端cn自适应分配第t轮隐私预算并更新强化学习模型权值参数；否则为每个客户端cn随机分配隐私预算值并将隐私预算作为本轮的动作at；将发送给每个客户端cn； 5每个客户端对本地分类模型进行迭代训练： 每个客户端cn将全局分类模型的权值参数作为本地分类模型的权值参数，并通过本地训练样本集对其进行迭代训练，得到训练好的N个本地分类模型； 6每个客户端对训练好的本地分类模型进行自适应扰动： 每个客户端cn根据服务器自适应分配的隐私预算值计算满足高斯分布的噪声矩阵并将添加到的权值参数上，实现对的自适应扰动，然后将自适应扰动后的本地分类模型的权值参数上传至服务器； 7服务器对本地分类模型的权值参数进行聚合： 服务器对N个客户端上传的权值参数进行聚合,并将聚合结果作为全局分类模型的权值参数发送给每个客户端cn； 8服务器获取联邦学习分类模型的训练结果： 服务器计算全局分类模型在全局测试样本集上的损失值并通过损失值和第t轮的隐私预算计算第t轮的奖励rt；然后将rt以及第t轮的状态st和动作at作为第t轮的经验存入经验池，令amount＝amount+1；最后判断t＝T是否成立，若是，得到权值参数为的联邦学习全局分类模型否则，令t＝t+1，并执行步骤4。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2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”。