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！

龙图腾网获悉河海大学申请的专利一种基于知识蒸馏和原型学习的联邦动态图学习优化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：CN119293294B 。

龙图腾网通过国家知识产权局官网在2025-11-25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：202411529942.9，技术领域涉及：G06F16/901；该发明授权一种基于知识蒸馏和原型学习的联邦动态图学习优化方法是由谢在鹏;李立坤;庾皓;唐斌设计研发完成，并于2024-10-30向国家知识产权局提交的专利申请。

本一种基于知识蒸馏和原型学习的联邦动态图学习优化方法在说明书摘要公布了：本发明涉及一种基于知识蒸馏和原型学习的联邦动态图学习优化方法，旨在解决动态图学习中的时间演化捕捉和数据异质性问题，通过全局知识蒸馏技术，保留先前学习到的知识，有效捕捉图快照的时间演化特征关系；并利用基于全局原型的正则项约束方法，减少客户端之间数据差异对模型性能的影响，以及引入对比学习生成全局类原型，提升模型的类内紧凑性和类间分离性，在确保数据隐私的前提下，不仅提升了全局模型的泛化能力，还通过个性化聚合机制，使每个客户端的模型能够自适应不同的数据分布，提高模型的推理能力。

本发明授权一种基于知识蒸馏和原型学习的联邦动态图学习优化方法在权利要求书中公布了：1.一种基于知识蒸馏和原型学习的联邦动态图学习优化方法，其特征在于：由服务器结合各个客户端本地随时间步变化的本地数据节点图，初始化时间步t＝0，执行如下步骤A至步骤F，针对由服务器初始并下发至各客户端的特征提取模型，执行联邦学习训练，获得训练后特征提取模型，本地数据节点图包括各节点、各节点分别关于预设分类下的真实类别、以及存在联系的两两节点之间的边； 步骤A.各客户端分别应用其对应时间步t的本地数据节点图，针对特征提取模型进行训练，获得客户端对应时间步t的训练后参数组，并上传服务器；服务器针对各客户端对应时间步t的训练后参数组进行聚合，获得对应时间步t的全局参数组下发至各个客户端，各客户端分别将对应时间步t的全局参数组构成其对应时间步t+1的第1次迭代的参数组，针对t值进行加1更新，并进入步骤B； 步骤B.各客户端分别针对其对应时间步t的本地数据节点图，筛选获得客户端对应时间步t的局部分析节点集合，然后初始化迭代次数l＝1，并进入步骤C； 步骤C.各客户端分别基于其对应时间步t的本地数据节点图，应用其对应时间步t下第l次迭代参数组下的特征提取模型，结合服务器的处理与返回，获得对应时间步t下第l次迭代下各类别全局原型，然后进入步骤D； 步骤D.各客户端分别应用其对应时间步t下第l次迭代参数组下的特征提取模型，以及对应时间步t-1的全局参数组下的特征提取模型，针对其对应时间步t的局部分析节点集合，计算客户端对应时间步t下第l次迭代的蒸馏损失； 各客户端分别应用其对应时间步t下第l次迭代参数组下的特征提取模型，针对其对应时间步t的本地数据节点图的节点集合，计算客户端对应时间步t下第l次迭代的分类损失； 各客户端分别计算其对应时间步t下第l次迭代的正则项损失，然后进入步骤E； 步骤E.各客户端分别综合其对应时间步t下第l次迭代的蒸馏损失、分类损失、正则项损失之和，构成客户端对应时间步t下第l次迭代的综合损失，判断自第l次迭代向历史迭代方向连续预设b次迭代步中各组相邻迭代之间的综合损失之差是否均小于预设损失阈值，是则客户端完成时间步t下针对特征提取模型的训练，客户端对应时间步t下第l次迭代的参数组即为客户端对应时间步t的训练后参数组，并获得训练后参数组下特征提取模型的准确率，上传服务器，然后进入步骤F；否则根据客户端对应时间步t下第l次迭代的综合损失，针对客户端对应时间步t下第l次迭代的参数组进行更新，构成客户端对应时间步t下第l+1次迭代的参数组，并针对l值进行加1更新，返回步骤C； 步骤F.服务器获得各客户端对应时间步t训练后参数组的特征提取模型准确率的平均准确率，判断平均准确率是否大于预设模型准确率阈值或者全局训练次数是否达到预设全局最大训练次数，是则即完成针对特征提取模型的联邦学习训练，各客户端分别以其对应时间步t的训练后参数组下的特征提取模型进行应用；否则服务器分别针对各客户端对应时间步t的训练后参数组进行更新，并聚合获得对应时间步t的全局参数组下发至各个客户端，各客户端分别将所接收对应时间步t的全局参数组构成其对应时间步t+1的第1次迭代的参数组，针对t值进行加1更新，返回步骤B。

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河海大学，其通讯地址为：211100 江苏省南京市江宁区佛城西路8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。