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！

龙图腾网获悉西安电子科技大学申请的专利一种面向横向联邦学习的信任管理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：CN116362347B 。

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：202310212015.3，技术领域涉及：G06N20/00；该发明授权一种面向横向联邦学习的信任管理方法是由郭晶晶;田思怡;刘志全;徐贵泓设计研发完成，并于2023-03-07向国家知识产权局提交的专利申请。

本一种面向横向联邦学习的信任管理方法在说明书摘要公布了：本发明公开了一种面向横向联邦学习的信任管理方法，包括：主聚合服务器发布联邦学习任务；所述主聚合服务器基于候选者的信任度，选择高于某一阈值的候选者参与联邦学习过程；所述候选者为对联邦学习任务兴趣的用户且选择参与该联邦学习任务；所述高于某一阈值的候选者组成的集合为参与者集合；所述主聚合服务器接收本地模型参数，根据聚合规则对接收到的本地模型参数信息进行聚合，再将聚合后的模型更新发回参与方；所述聚合服务器与参与方的每一轮迭代交互过程中，聚合服务器会对各参与方的本地模型进行异常检测，并记录各参与方的行为信息，依据参与方行为信息对参与方进行信任度评估，评估结果用于下一次聚合服务器发布任务时的用户选择。

本发明授权一种面向横向联邦学习的信任管理方法在权利要求书中公布了：1.一种面向横向联邦学习的信任管理方法，其特征在于，包括： 主聚合服务器发布联邦学习任务； 所述主聚合服务器基于候选者的信任度，选择高于某一阈值的候选者参与联邦学习过程；所述候选者为对联邦学习任务感兴趣的用户且选择参与该联邦学习任务；所述高于某一阈值的候选者组成的集合为参与者集合； 所述主聚合服务器接收本地模型参数，根据聚合规则对接收到的本地模型参数信息进行聚合，再将聚合后的模型更新发回参与方，此过程重复进行，直到模型收敛或达到预定的最大迭代次数；所述本地模型参数为参与者集合中的各参与方接收主聚合服务器发来的初始全局模型，然后，各参与方使用各自的本地数据训练本地模型； 所述主聚合服务器与参与方的每一轮迭代交互过程中，主聚合服务器会对各参与方的本地模型进行异常检测，并记录各参与方的行为信息包括： 经过异常检测被检测出的异常本地模型将不会用于本轮模型聚合，与此同时，主聚合服务器会记录参与方每一轮迭代过程中的行为信息； 一次学习结束后，主聚合服务器根据给定的信任度评估方法，结合参与方的行为信息计算各参与方的直接信任度；同时，主聚合服务器根据推荐服务器推荐得到的各参与方的推荐信任信息生成各参与方的推荐信任度，并且不断更新推荐信息表；然后，主聚合服务器综合参与方的直接信任度和推荐信任度，得到最终信任信息，同时更新参与方的历史交互信任信息表，该信任信息用于主聚合服务器下一次发布学习任务时的用户选择； 所述信任度具体计算步骤包括： 主聚合服务器Sj维护参与方Ui的历史交互信任信息队列和推荐信任信息队列；Ui与Sj在上下文C中的历史交互信任信息队列定义为： 其中，t'为历史交互发生的时间，为Ui在上下文C中的行为可靠性，最多存储P项信息；同时，Sj记录与Ui的历史交互次数，表示为 Ui在上下文C中的推荐信任信息队列定义为： 其中，rs为推荐服务器，rt为推荐信任度，为上下文C中Ui与rs之间的历史交互次数，t为推荐服务器发布此条推荐信任信息的时间，最多存储Q项信息； Sj对Ui在上下文C的信任度Tg表示为： TgSj,Ui,C＝ωr·TrUi,C+ωd·TdSj,Ui,C10 即，推荐信任度Tr和直接信任度Td的加权和，其中二者的权重计算方法如公式11-16所示： ωd＝1-ωr12 其中：为Ui与Sj在上下文C中的历史交互次数，为Ui与推荐信任信息队列中所有推荐服务器交互次数之和，δ是函数fσi中的阈值； Ui在上下文C的推荐信任度Tr的计算方法如公式17所示： Ui在上下文C的直接信任度Td的计算方法如公式18所示，看出其取值为历史信任度Thist和当前信任度Tcurr的加权和，二者的权重分别可由公式19与20得到： TdSj,Ui,C＝ωhist·ThistSj,Ui,C+ωcurr·TcurrSj,Ui,C18 ωcurr＝1-ωhist20 公式19中的参数为Sj对Ui的熟悉程度，其计算方法如公式21所示，看出其取值取决与Sj与Ui的交互次数，交互次数越多，Sj与Ui之间的熟悉程度越高，取值越大；此外，调节因子φ为任意常数且满足φ≥2，用于控制趋于1的速度；如果参与方与主聚合服务器之间没有历史交互行为，即，此时 公式22给出了Ui在上下文C的历史信任度Thist的计算方法；在计算参与方基于历史行为的信任度时考虑了信任行为的时间衰减性，为时间衰减因子，某一历史交互行为发生的时间距离当前时间越久远，此次交互行为所产生的信任度在Thist中所占的比重越小； 把Ui与Sj在上下文C中当前这次交互产生的行为可靠性表示为Ui的当前信任度Tcurr的计算方法如公式23所示，其中调节函数gh如公式24所示，式中h表示参与方与主聚合服务器的实际历史交互次数；如果表示Ui与Sj在上下文C中的历史交互次数，此时调节参数ε的计算方法如公式25所示： 其中，0＜λ≤1，用于控制交互阈值H的大小，H的计算方法如公式26所示；λ值越小，阈值H取值越大；在基于当前行为的信任度计算中，以不确定性信任度0.5为基准，如果Ui的历史交互次数此时，由于历史交互次数太少，对参与方可信程度的不确定性较高，基于参与方当前的行为可靠性并不能完全评判参与方好坏，即，历史交互次数越少，对参与方可信程度的不确定性越高，信任度将会越趋向于0.5；如果即，历史交互次数达到交互阈值，此时，不再对当前信任度进行处理；因此，gh是对Ui基于当前信任度的动态分析，随着参与方与主聚合服务器之间的历史交互次数增大，主聚合服务器对于参与方本次学习的可信程度增高；但是，如果计算得到当前行为可靠性直接认为Ui当前信任度Tcurr＝0。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2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。