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！

龙图腾网获悉北京工业大学申请的专利一种基于混合策略的联邦学习模型训练隐私保护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：CN116167084B 。

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：202310176259.0，技术领域涉及：G06F21/62；该发明授权一种基于混合策略的联邦学习模型训练隐私保护方法及系统是由黄志清;洪岩;谢飞飞设计研发完成，并于2023-02-24向国家知识产权局提交的专利申请。

本一种基于混合策略的联邦学习模型训练隐私保护方法及系统在说明书摘要公布了：本发明公开了一种基于混合策略的联邦学习模型训练隐私保护方法及系统，将混淆自编码器网络结合到联邦学习参与方本地模型训练过程中，对数据标签进行混淆映射，以此切断梯度信息与数据信息间的关系，阻止攻击方利用梯度信息重构出用户原始数据；将本地化差分隐私机制结合到联邦学习的参数传递过程中，对梯度参数添加满足ε，δ‑本地化差分隐私的高斯噪声，以此对梯度信息进行扰动，同时在中心服务器聚合过程中通过随机化机制近似平均聚合，隐藏单个参与方贡献，以此阻止攻击方进行的推理攻击。本发明能够构建一个隐私安全的联邦学习系统，抵御联邦学习模型训练过程中梯度泄漏导致的各种隐私风险，同时在模型性能和隐私安全间达到了更好的平衡。

本发明授权一种基于混合策略的联邦学习模型训练隐私保护方法及系统在权利要求书中公布了：1.一种基于混合策略的联邦学习模型训练隐私保护方法，其特征在于，包括如下步骤： 步骤1：多数据参与方与中心服务器作为实体组成中心式联邦学习系统； 步骤2：各方约定一个一致的深度学习模型训练方向，中心服务器将初始的全局模型下发至各参与方； 步骤3：各参与方利用本地数据优化本地局部的全局模型，同时本地数据的标签利用混淆自编码器网络进行混淆映射； 步骤4：计算本地中间梯度参数，并进行梯度裁剪、添加高斯噪声； 步骤5：将扰动后的梯度参数发送给服务端； 步骤6：服务器利用高斯机制混淆搜集到的更新的和； 步骤7：更新全局模型； 步骤8：计算隐私损失，若超过设定阈值或者全局模型收敛、达到设定的全局通信轮次，返回全局模型； 步骤9：若没有超过设定阈值或者全局模型不收敛、未达到设定的全局通信轮次，那么重复步骤3~8； 步骤4中，局部梯度扰动的具体过程为： 步骤4.1：对损失函数输出的梯度信息进行裁剪，裁剪的阈值设定为C的话，那么客户端i训练得到的梯度参数将会被取代，表示梯度信息的L2范数； 步骤4.2：采用宽松差分隐私定义，计算敏感度S以决定添加噪声的大小，，其中，表示客户端i拥有的数据集，表示中的第j个样本，指当本地模型损失函数取最小值时模型变量参数的取值； 步骤4.3：计算对梯度参数添加高斯噪声后的标准差，来约束添加噪声对模型性能的影响，，其中，将每轮训练的敏感度定义为，q为客户端采样率，T是训练迭代轮次，为客户端i的隐私预算，代表了宽松程度； 步骤6中，服务器参数聚合的具体过程为： 步骤6.1：对客户端随机子采样个客户端组成随机子集，中的客户端分别利用本地数据对模型全局模型进行优化，就有了互不相同的本地模型，优化后的本地模型与全局模型间的差异即为； 步骤6.2：采用高斯机制来混淆所有更新的和，使用真实更新值的缩放版本来增强敏感度，表明缩放更新相对于求和操作的敏感度以裁剪界S为上限； 步骤6.3：将混淆后近似值添加到当前的全局模型中得到新的全局模型：，即为所添加的噪声，，这两部分相加并除以采样客户端数量后，即为混淆后的更新的均值，添加到本轮次全局模型后即为新一轮次的全局参数。

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北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100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。