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！

龙图腾网获悉南京航空航天大学申请的专利一种基于局部模型偏移的非独立同分布联邦学习性能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：CN116011585B 。

龙图腾网通过国家知识产权局官网在2026-01-02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：202211725787.9，技术领域涉及：G06N20/00；该发明授权一种基于局部模型偏移的非独立同分布联邦学习性能优化方法是由赵彦超;黄聿辰设计研发完成，并于2022-12-30向国家知识产权局提交的专利申请。

本一种基于局部模型偏移的非独立同分布联邦学习性能优化方法在说明书摘要公布了：本发明公开了一种基于局部模型偏移的非独立同分布联邦学习性能优化方法，包括：通过限制局部更新使其接近其余客户端模型，在预训练过程中接收各个客户端上报的预训练梯度更新信息，服务器端整合各个客户端梯度信息形成下一轮全局训练中下发给各个客户端的惩罚项；在新的一轮全局训练过程中，参与该轮全局训练的客户端收到服务器端发送的惩罚项相关信息，与本地交叉熵损失加和形成新构建的损失函数，在该损失函数下进行SGD，训练完毕提交模型，按照常规FEDAVG进行模型聚合。本发明以系统内各个客户端模型作为标准，在本地优化中加以限制，维持模型在其他各个客户端数据分布上的拟合能力，减少本地训练时的模型偏移，从而提升全局聚合模型的精度。

本发明授权一种基于局部模型偏移的非独立同分布联邦学习性能优化方法在权利要求书中公布了：1.一种基于局部模型偏移的非独立同分布联邦学习性能优化方法，其特征在于，包括如下步骤： S1：通过限制局部更新使本地训练模型接近其余客户端模型，在预训练过程中接收各个客户端上报的预训练梯度更新信息，服务器端整合各个客户端梯度信息形成下一轮全局训练中下发给各个客户端的惩罚项； S2：在新的一轮全局训练过程中，参与该轮全局训练的客户端收到服务器端发送的惩罚项相关信息，与本地交叉熵损失加和形成新构建的损失函数，在该损失函数下进行SGD，训练完毕提交模型，按照常规FEDAVG进行模型聚合； 步骤S1中惩罚项的获取方式为： 在联邦学习本地训练过程中，在其损失函数上添加待训练模型与剩余各个客户端模型参数之间的差值二范数，用剩余客户端的模型梯度增益对应作为差值二范数每个参数位置的权重系数，形成惩罚项； 惩罚项的表达如下： θ为客户端i的本地待训练模型，Lsθ为模型θ在数据集s上的损失函数，t为全局训练轮数，θt-1,j为其余客户端模型，其中j为除i以外的客户端集合，λ为正则项超参数，用来控制正则项在损失函数中的权重；Gt-1,j为其余客户端本地更新梯度增益； 步骤S2中新构建的损失函数的表达如下： 其中，S为节点集合，t为全局训练轮数。

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南京航空航天大学，其通讯地址为：210016 江苏省南京市秦淮区御道街29号南京航空航天大学；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。