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！

龙图腾网获悉上海大学申请的专利一种基于客户端样本熵感知和联邦迁移学习的网络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：CN119250130B 。

龙图腾网通过国家知识产权局官网在2025-12-09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：202411192991.8，技术领域涉及：G06N3/0475；该发明授权一种基于客户端样本熵感知和联邦迁移学习的网络模型训练方法是由刘丽兰;闫振豪;潘坚初;刘颖林;高增桂;赵凯;于文花设计研发完成，并于2024-08-28向国家知识产权局提交的专利申请。

本一种基于客户端样本熵感知和联邦迁移学习的网络模型训练方法在说明书摘要公布了：本发明涉及计算机深度学习技术领域，公开了一种基于客户端样本熵感知和联邦迁移学习的网络模型训练方法，该方法是将待训练的网络模型分别搭载在中央服务器和多个源客户端中，采用训练样本对搭载在源客户端中的本地模型进行训练，得到训练后本地模型；搭载在中央服务器中的全局模型根据接收的本地网络模型参数更新全局模型网络参数；然后将更新后的全局模型下载到各个源客户端中，采用验证样本集对下载至每个源客户端中的更新后的全局模型进行任务验证，并根据验证损失对全局模型网络参数进行优化，得到更新全局模型；将更新全局模型下载到每个源客户端，采用验证样本集对下载至每个源客户端的更新全局模型进行任务验证，任务验证完成后，根据每个源客户端中所述更新训练后本地模型、更新全局模型的任务验证性能来更新所述更新训练后本地模型的网络参数；重复上述步骤直至全局模型达到更新预设值或预设性能，完成全局模型训练。

本发明授权一种基于客户端样本熵感知和联邦迁移学习的网络模型训练方法在权利要求书中公布了：1.一种基于客户端样本熵感知和联邦迁移学习的网络模型训练方法，其特征在于，包括以下步骤： S1：将待训练的网络模型分别搭载在中央服务器和多个源客户端中，其中，将搭载在中央服务器上的网络模型记作全局模型，搭载在源客户端上的网络模型记作本地模型；采集用于本地模型训练的样本，并将采集样本划分为训练样本集和验证样本集； S2：将训练样本集输入到每个源客户端的本地模型中对本地模型进行训练，更新本地模型的网络参数，直至本地模型达到更新预设值或预设性能，得到训练后本地模型；采用验证样本集对每个源客户端训练后本地模型进行任务验证，并计算训练后本地模型用于任务验证的性能系数； 其中，训练后本地模型用于任务验证的性能系数的计算公式如下： 式中，αi为第i个源客户端训练后本地模型的性能系数，K为源客户端个数，为第i个源客户端训练后本地模型的任务验证精度； S3：将每个源客户端中训练后本地模型的网络参数上传至全局模型，全局模型接收来自每个源客户端的训练后本地模型网络参数并计算每个源客户端的训练样本的复杂度熵，根据每个源客户端训练后本地模型的性能系数和人工经验系数，对来自每个源客户端训练后本地模型的网络参数进行加权计算得到全局模型网络参数，并利用全局模型网络参数对全局模型进行更新； S4：将更新后的全局模型下载到各个源客户端中，采用验证样本集对下载至每个源客户端中的更新后的全局模型进行任务验证，根据任务验证过程中每个源客户端中更新后的全局模型的验证损失来优化更新训练后本地模型的网络参数，得到更新训练后本地模型； 同时根据任务验证过程中每个源客户端中更新后的全局模型的验证损失构建全局模型的更新损失，利用全局模型的更新损失对中央服务器中的更新后的全局模型的网络参数进行优化，使全局模型的更新损失达到最小且不再下降，得到更新全局模型； S5：将步骤S4得到的更新全局模型下载到每个源客户端，采用验证样本集对下载至每个源客户端的更新全局模型进行任务验证，任务验证完成后，根据每个源客户端中所述更新训练后本地模型、更新全局模型的任务验证性能来更新所述更新训练后本地模型的网络参数； S6：重复上述步骤S2‑S5，直至全局模型达到更新预设值或预设性能，完成全局模型训练； 其中，步骤S3中，对来自每个源客户端训练后本地模型的网络参数进行加权计算得到全局模型网络参数的计算公式为： 式中，θglobal为全局模型网络参数，为第i个源客户端训练后本地模型网络参数，ai为第i个源客户端的人工经验系数,αi为第i个源客户端训练后本地模型的性能系数，K为源客户端个数； 步骤S3中，每个源客户端的训练样本的复杂度熵的计算公式如下： 式中，Hi为第i个源客户端样本的复杂度熵，hi为第i个源客户端样本复杂度熵的熵系数，s为潜在模式类的个数，P·为频率函数，K为源客户端个数； 步骤S4中，根据任务验证过程中每个源客户端中更新后的全局模型的验证损失来优化更新训练后本地模型的网络参数的公式如下： λ＝1hi式中，LCi为第i个源客户端中更新后的全局模型的验证损失，K为源客户端个数，θglobal为全局模型网络参数，为第i个源客户端中训练后本地模型网络参数，xi表示验证样本，λ为复杂度系数，hi为第i个源客户端样本复杂度熵的熵系数；全局模型的更新损失的计算公式如下： 式中，LUpdate为全局模型的更新损失，LCi为第i个源客户端中更新后的全局模型的验证损失，K为源客户端个数，ai为第i个源客户端的人工经验系数。

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上海大学，其通讯地址为：200444 上海市宝山区上大路99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。