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非交集差分隐私联邦学习的卷积神经网络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：CN117095227B 。

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：202311116879.1，技术领域涉及：G06V10/764；该发明授权基于非交集差分隐私联邦学习的卷积神经网络训练方法是由王子龙;柴政;陈谦;王鸿波;闫浩楠设计研发完成，并于2023-08-31向国家知识产权局提交的专利申请。

本基于非交集差分隐私联邦学习的卷积神经网络训练方法在说明书摘要公布了：本发明公开了一种基于非交集差分隐私联邦学习的卷积神经网络训练方法，主要解决现有技术训练的卷积神经网络模型隐私保护能力低、模型分类精度低的问题。其实现方案为：构建联邦学习系统；客户端初始化联邦学习训练数据集；客户端初始化卷积神经网络模型；客户端初始化本地卷积神经网络模型及本地隐私预算值；客户端对本地卷积神经网络模型进行迭代训练；客户端计算训练后本地模型的非交集元素；客户端根据非交集元素结果对量化后本地模型添加噪声；中央服务器通过聚合添加噪声后的本地卷积神经网络模型对卷积神经网络模型进行迭代训练，得到训练后的卷积神经网络模型。本发明训练的卷积神经网络隐私保护能力强、分类精度高，可用于图像分类。

本发明授权基于非交集差分隐私联邦学习的卷积神经网络训练方法在权利要求书中公布了：1.一种基于非交集差分隐私联邦学习的卷积神经网络训练方法，其特征在于，包括如下： 1初始化包括中央服务器，私有集合交集服务器和N个客户端C＝{c1,c2,…,cn,,cN}的联邦学习系统，其中，cn表示第n个客户端,n＝{1,2,…,N},N≥2； 2每个客户端cn初始化包含L个目标类别的M幅图像的本地训练数据集，并对每幅图像的目标进行标注，其中，L≥2，M≥100； 3每个客户端cn从中央服务器获取包括I个模型层的卷积神经网络模型Xn，该Xn的权值参数为ωn，Xn的第i个模型层的权值参数为ωn,i； 4每个客户端初始化本地卷积神经网络模型设置的隐私预算值及权值参数分别为和的第i个模型层的权值参数为 5客户端对本地卷积神经网络模型进行迭代训练： 每个客户端cn从本地训练数据集中有放回地随机选取B个训练数据作为本地卷积神经网络模型的输入，得到B个预测标签利用该标签采用随机梯度下降法对权值参数进行迭代更新，得到权值参数为的训练后本地模型 6客户端计算训练后本地模型的非交集元素： 6a每个客户端cn对更新后的本地模型每一层的权值参数进行量化计算，将权值参数的小数部分精确为固定长度，得到量化后的权值参数 6b每个客户端cn计算每一层量化后模型权值参数的哈希值并上传至私有集合交集服务器，私有集合交集服务器根据每个客户端cn上传的哈希值计算得到客户端量化后本地模型每一层权值参数的非交集元素结果并对其汇总后下发给每个客户端； 7客户端根据非交集元素结果对量化后本地模型添加噪声： 7a每个客户端cn根据汇总后的非交集元素结果和本地模型的隐私预算值计算得到包含两种不同差分隐私保证的噪声值 7b每个客户端cn将噪声值添加到量化后本地模型的权值参数上，得到扰动后权值参数为的本地模型将扰动后的本地模型上传至中央服务器； 8中央服务器对卷积神经网络模型进行训练： 8a中央服务器初始化聚合轮次为t＝0，设置最大聚合轮次为T≥100； 8b随机选取Vt个客户端cv上传的扰动后本地模型的权值参数进行聚合,得到当前的聚合结果ωt，并判断t＝T是否成立： 若是，则得到权值参数为ωT的训练后卷积神经网络模型XT； 否则，令t＝t+1，将聚合结果发送给每个客户端cn，返回步骤3。

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”。

以上内容由龙图腾AI智能生成。