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！

龙图腾网获悉湖南大学申请的专利基于联邦学习框架的模型优化方法、系统和装置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：CN117057445B 。

龙图腾网通过国家知识产权局官网在2026-01-06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：202310987628.4，技术领域涉及：G06N20/20；该发明授权基于联邦学习框架的模型优化方法、系统和装置是由李肯立;李政;蔡宇辉;周旭;杨圣洪;余思洋;段明星;吴帆;秦云川设计研发完成，并于2023-08-07向国家知识产权局提交的专利申请。

本基于联邦学习框架的模型优化方法、系统和装置在说明书摘要公布了：本申请涉及一种基于联邦学习框架的模型优化方法、系统、装置、计算机设备、存储介质和计算机程序产品。方法包括：接收服务器发送的聚合参数，将聚合参数作为本地参数，基于本地参数和本地训练集确定第一梯度参数；基于更新的更新隐私预算值，对第一梯度参数进行裁剪和扰动，得到第二梯度参数；基于第二梯度参数更新本地参数，得到更新本地参数；将更新本地参数发送至服务器，使服务器对更新本地参数进行聚合处理，得到更新聚合参数，基于更新聚合参数对全局模型进行模型优化，接收服务器发送的更新聚合参数，重复上述步骤，直至全局模型的准确率达到要求或全局迭代次数达到预先设定的目标次数，得到优化的全局模型。本方法可提升系统资源利用率。

本发明授权基于联邦学习框架的模型优化方法、系统和装置在权利要求书中公布了：1.一种基于联邦学习框架的模型优化方法，其特征在于，应用于联邦学习框架中的客户端，所述方法包括： 接收联邦学习框架中的服务器发送的聚合参数，将所述聚合参数确定为本地参数，基于所述本地参数和本地训练集确定第一梯度参数； 基于对预设隐私预算值更新后的更新隐私预算值，对所述第一梯度参数进行裁剪和扰动处理，得到第二梯度参数； 基于所述第二梯度参数对所述本地参数进行更新，得到更新本地参数； 将所述更新本地参数发送至所述服务器，以使所述服务器对所述更新本地参数进行聚合处理，得到更新聚合参数，基于所述更新聚合参数，完成全局模型的一次模型优化； 接收所述服务器发送的更新聚合参数，重复上述步骤，直至全局模型的准确率达到要求或者全局迭代次数达到预先设定的目标次数，所述服务器完成全局训练，得到最终优化的全局模型； 其中，所述基于对预设隐私预算值更新后的更新隐私预算值，对所述第一梯度参数进行裁剪和扰动处理，得到第二梯度参数，包括：获取更新隐私预算值和预设梯度裁剪值；基于所述预设梯度裁剪值和所述本地参数，对所述第一梯度参数进行裁剪处理，得到初始第二梯度参数；基于所述更新隐私预算值和所述预设梯度裁剪值，对所述初始第二梯度参数进行扰动处理，得到第二梯度参数；所述获取更新隐私预算值，包括：基于所述联邦学习框架确定预设隐私预算值、预设隐私边界值、预设预算调节率以及预设隐私泄露阈值，并获取联邦学习框架中的隐私泄漏值；基于所述隐私泄漏值、所述预设隐私边界值、所述预设预算调节率以及所述预设隐私泄露阈值，对所述预设隐私预算值进行更新，得到更新隐私预算值； 其中，所述一梯度参数的确定公式为： ， 其中，为客户端c的本地参数；表示第一梯度参数；gi表示第i次全局联邦迭代轮；为客户端c本地的本地训练集的样本总数；为本地训练集中第i个样本数据；为损失函数； 所述第二梯度参数的计算公式为： 其中，为第二梯度参数；为裁剪处理后的梯度参数；表示均值为0，方差为的高斯分布采样结果；为客户端c本次梯度扰动时所花费的隐私预算；为梯度裁剪值； 所述聚合处理的公式为： ， 其中，表示客户端c的更新本地参数，；表示更新聚合参数；为客户端c本地的本地训练集的样本总数；为累计各个客户端的本地训练集中样本数量得到的总样本数量。

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湖南大学，其通讯地址为：410013 湖南省长沙市岳麓区麓山南路；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。