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！

龙图腾网获悉武汉大学申请的专利基于特征转换的准确安全纵向联邦学习方法、系统及产品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：CN119918693B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202411859939.3，技术领域涉及：G06F18/213；该发明授权基于特征转换的准确安全纵向联邦学习方法、系统及产品是由何琨;白浩;李雨晴;陈晶;杜瑞颖设计研发完成，并于2024-12-17向国家知识产权局提交的专利申请。

本基于特征转换的准确安全纵向联邦学习方法、系统及产品在说明书摘要公布了：本发明公开了一种基于特征转换的准确安全纵向联邦学习方法、系统及产品，首先基于自监督任务学习利用对齐未标记样本来增加纵向联邦数据源，以突破对齐标记样本的限制；之后每个被动参与方在本地私有数据集上完成特征转换层和本地模型训练；然后每个被动参与方在前向传播过程中加入差分隐私噪声扰动并上传给主动参与方；之后主动参与方进行全局聚合并完成模型更新，将对应梯度返回给被动参与方；最后被动参与刚完成本地模型更新并开启新一轮本地模型训练。本发明提高了模型的准确性，加速了模型的训练。这为实际场景中基于差分隐私的纵向联邦学习部署提供了一种可能的解决方案。

本发明授权基于特征转换的准确安全纵向联邦学习方法、系统及产品在权利要求书中公布了：1.一种基于特征转换的准确安全纵向联邦学习方法，涉及实体包括一个主动参与方和K-1个被动参与方，其中，K为预设值； 其特征在于，包括以下步骤： 步骤1：所述主动参与方和K-1个被动参与方利用对齐未标记样本来增加纵向联邦数据源； 步骤1的具体实现包括以下子步骤： 步骤1.1：每一个参与方利用深度神经网络模型从对齐未标记样本中提取特征，获得特征表示向量，并上传给主动参与方； 步骤1.2：主动参与方执行聚合和L2规范化以获得聚合特征表示，然后对特征表示进行聚类，为这些对齐未标记样本生成聚类标签y＝{yi、…、yK}； 步骤1.3：主动参与方根据预测结果和聚类结果yi计算交叉熵损失函数其中N是样本数量，K是聚类数量，yij∈yi表示对于样本i的聚类标签，表示对于样本i预测类别标签； 步骤1.4：每个参与方根据进行本地模型更新，各个参与方学习到的本地模型参数以获得用于后续联邦学习任务的全局预训练模型；在获得对齐未标记样本的聚类标签后，将对齐未标记的样本以及对应聚类标签加入到每个参与方本地私有数据集，以此来完成数据集扩充； 步骤2：每个被动参与方使用其私有数据集完成特征转换层和本地模型训练； 步骤2的具体实现包括以下子步骤： 步骤2.1：每个参与方k∈[K]随机抽取一小批样本xk； 步骤2.2：每个参与方k∈[K]在xk上训练特征转换层和本地模型以得到模型输出结果其中Ck·表示模型参数为ξk的特征转换层，θk为本地模型参数，表示加入特征转换层之后扩展的本地模型； 所述特征转换层，为线性函数或者非线性函数；所述非线性函数包括y＝ax2+b,ReLUax+b,Sigmoidax+b，其中a和b为超参数，x和y为对应的输入和输出，ReLU、Sigmoid为非线性激活函数； 步骤3：每个被动参与方k∈[K-1]在Hk上添加噪声扰动以得到并将其上传给主动参与方；其中，Hk表示被动方训练得到前向传播结果； 步骤4：主动参与方进行全局聚合并完成全局模型更新，将对应梯度返回给被动参与方，被动参与方完成本地模型更新并开启新一轮本地模型训练。

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武汉大学，其通讯地址为：430072 湖北省武汉市武昌区八一路299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。