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！

龙图腾网获悉华南理工大学申请的专利基于动态贡献感知与陈旧性适应的异步联邦学习方法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：CN120633770B 。

龙图腾网通过国家知识产权局官网在2025-12-16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：202510583009.8，技术领域涉及：G06N3/098；该发明授权基于动态贡献感知与陈旧性适应的异步联邦学习方法及系统是由蔡兆元;杜润森;张幸林设计研发完成，并于2025-05-07向国家知识产权局提交的专利申请。

本基于动态贡献感知与陈旧性适应的异步联邦学习方法及系统在说明书摘要公布了：本发明公开了一种基于动态贡献感知与陈旧性适应的异步联邦学习方法及系统，所述方法包括：在服务器广播最新全局模型和贡献度向量后，接收相应的贡献度；判断接收到的贡献度是否满足训练条件，若是，则下载最新全局模型进行训练，若否，则继续使用旧版本全局模型进行训练；融合损失函数、模型偏离惩罚及陈旧性抑制项，构建本地优化目标函数；计算动态学习率；执行梯度下降更新本地模型，并发送给服务器，以使服务器在接收到大于或等于预设数量的客户端本地模型后，利用动态聚合权重对本地模型进行加权聚合，并更新客户端贡献度，进行归一化生成贡献度向量。本发明兼顾了通信效率与模型精度，适用于大规模分布式机器学习场景，具有鲁棒性强、适应性好的优点。

本发明授权基于动态贡献感知与陈旧性适应的异步联邦学习方法及系统在权利要求书中公布了：1.一种基于动态贡献感知与陈旧性适应的异步联邦学习方法，应用于客户端，其特征在于，所述方法包括： 在服务器广播最新全局模型和贡献度向量后，接收相应的贡献度； 判断接收到的贡献度是否满足训练条件，若是，则下载最新全局模型对本地模型进行训练，若否，则继续使用旧版本全局模型对本地模型进行训练； 融合损失函数、模型偏离惩罚及陈旧性抑制项，构建本地优化目标函数； 根据客户端历史平均延迟调整步长，计算动态学习率； 根据本地优化目标函数和动态学习率，执行梯度下降更新本地模型； 将更新后的本地模型发送给服务器，以使服务器在接收到大于或等于预设数量的客户端本地模型后，利用动态聚合权重对本地模型进行加权聚合，更新全局模型，并根据客户端参与状态更新客户端贡献度，将更新的贡献度进行归一化生成贡献度向量； 所述融合损失函数、模型偏离惩罚及陈旧性抑制项，构建本地优化目标函数，如下式： 其中，fkwk为客户端k的损失函数，wk为客户端k的本地模型，为正则化项，λ为正则化系数，γt-τ||wk||2为陈旧性抑制项，τ为客户端k最近一次参与聚合全局模型时的轮次，γ为衰减系数，为最新全局模型； 所述根据客户端历史平均延迟调整步长，计算动态学习率，具体包括： 根据客户端历史平均延迟调整步长，如下式： 其中，为客户端k的动态步长因子，为客户端k的历史平均延迟，为客户端k在第τ轮的延迟； 利用动态步长因子，计算动态学习率，如下式： 其中，为客户端k的动态学习率，为全局学习率； 所述根据本地优化目标函数和动态学习率，执行梯度下降更新本地模型，如下式： 其中，为客户端k更新后的本地模型，fkwk为客户端k的损失函数，为客户端k当前的本地模型，为客户端k的动态学习率，τ为客户端k最近一次参与聚合全局模型时的轮次，为最新全局模型。

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华南理工大学，其通讯地址为：510640 广东省广州市天河区五山路381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。