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！

龙图腾网获悉北京邮电大学申请的专利基于强化学习的自适应约束联邦学习方法、装置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：CN119129692B 。

龙图腾网通过国家知识产权局官网在2025-09-09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：202410967977.4，技术领域涉及：G06N3/092；该发明授权基于强化学习的自适应约束联邦学习方法、装置及系统是由李雅文;陈钧天;寇菲菲;李昂设计研发完成，并于2024-07-18向国家知识产权局提交的专利申请。

本基于强化学习的自适应约束联邦学习方法、装置及系统在说明书摘要公布了：本申请提供基于强化学习的自适应约束联邦学习方法、装置及系统，方法包括：基于本地的强化学习代理单元，根据前一轮次的全局模型权重和本地模型权重确定作为当前轮次的动作的超参数；在训练过程中基于超参数对本地模型进行自适应约束，将本轮的本地模型权重发送至联邦学习系统中的服务器进行聚合，基于强化学习代理单元，根据前一轮次和当前轮次各自对应的全局模型权重和本地模型权重确定当前轮次的奖励；构成当前轮次的元组样本并存储。本申请能够减轻数据异质性的影响，能够提高模型训练的可靠性、有效性以及训练得到的模型性能；通过本地的强化学习代理进行独立决策，无需在服务器和客户端之间进行额外的数据通信。

本发明授权基于强化学习的自适应约束联邦学习方法、装置及系统在权利要求书中公布了：1.一种基于强化学习的自适应约束联邦学习方法，其特征在于，包括： 在预存储至本地经验池的前一轮次的元组样本中，提取前一轮次的全局模型权重和本地模型权重，并基于本地的强化学习代理单元，根据前一轮次的全局模型权重和本地模型权重确定作为当前轮次的动作的超参数； 采用本地训练集中的各个数据样本训练所述前一轮次的全局模型权重对应的本地模型，并在训练过程中基于所述超参数对所述本地模型进行自适应约束，以得到所述本地模型在当前轮次的本地模型权重，将该本地模型权重发送至联邦学习系统中的服务器，以使该服务器对当前轮次接收到的各个所述本地模型权重进行聚合以得到当前轮次的全局模型权重； 接收所述服务器发送的当前轮次的全局模型权重，基于本地的所述强化学习代理单元，根据前一轮次和当前轮次各自对应的全局模型权重和本地模型权重确定当前轮次的奖励； 根据前一轮次的全局模型权重和本地模型权重、当前轮次的所述动作、当前轮次的所述奖励以及当前轮次的全局模型权重和本地模型权重，构成当前轮次的元组样本并存储至所述本地经验池中； 若所述本地经验池中的所述元组样本的数量已到达预设的数量阈值，则在所述本地经验池中的除所述前一轮次的元组样本之外的其他元组样本中提取多个，并基于提取的各个所述元组样本训练所述强化学习代理单元； 接收联邦学习系统中的服务器发送的相似客户端设备的索引，其中，所述服务器根据当前轮次接收到各个所述本地模型权重之间的相似度，为分别发送所述本地模型权重的各个客户端设备分别查找对应的相似客户端设备，并将各个所述客户端设备各自对应的相似客户端设备的唯一标识分别发送至各个所述客户端设备； 基于所述相似客户端设备的索引，自该相似客户端设备的经验池复制多个所述元组样本； 在基于自所述本地经验池提取的各个所述元组样本训练本地的所述强化学习代理单元之后，基于自所述相似客户端设备的经验池复制的各个所述元组样本训练本地的所述强化学习代理单元。

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北京邮电大学，其通讯地址为：100876 北京市海淀区西土城路10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。