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！

龙图腾网获悉陕西师范大学申请的专利高可靠半监督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：CN116402156B 。

龙图腾网通过国家知识产权局官网在2026-01-09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：202310272582.8，技术领域涉及：G06N20/00；该发明授权高可靠半监督联邦学习方法及系统是由任杰;陈炜航;刘蓉庆;贾晨鸽;王煜华设计研发完成，并于2023-03-20向国家知识产权局提交的专利申请。

本高可靠半监督联邦学习方法及系统在说明书摘要公布了：本申请涉及一种高可靠半监督联邦学习方法及系统，解决了半监督学习中现有技术对类不平衡数据处理效果较差、半监督学习中共用监督学习参数与无监督学习参数而相互影响的问题；本申请提供了良好的基于自定义可靠性的模型聚合方法，并且增强了处理类不平衡数据的能力；而对模型参数进行稀疏可加分解，以减少有监督和无监督任务之间的干扰，从而提高了联邦学习中半监督学习的性能；同时通过参数分解减少了服务端与客户端间的通讯成本，以此提高了联邦学习的通讯效率。

本发明授权高可靠半监督联邦学习方法及系统在权利要求书中公布了：1.一种高可靠半监督联邦学习方法，其特征在于，包括： 对多个客户端半监督学习模型进行训练，得到每个所述客户端半监督学习模型的监督学习参数和无监督学习参数； 根据所述监督学习参数和所述无监督学习参数在所述多个客户端半监督学习模型中筛选至少一个高可靠模型；每个所述高可靠模型的监督学习参数和无监督学习参数用于在下一轮训练中辅助训练所述多个客户端半监督学习模型； 将所有所述客户端半监督学习模型的监督学习参数进行聚合，得到聚合后的监督学习参数；将所有所述客户端半监督学习模型的无监督学习参数进行聚合，得到聚合后的无监督学习参数；将所述聚合后的监督学习参数和所述聚合后的无监督学习参数进行合并，得到合并后的参数；所述合并后的参数用于更新服务端模型； 将所述聚合后的监督学习参数和所述聚合后的无监督学习参数回传至所述多个客户端半监督学习模型，作为下一轮模型训练的初始监督学习参数和初始无监督学习参数； 所述对多个客户端半监督学习模型进行训练，得到每个客户端半监督学习模型的监督学习参数和无监督学习参数，包括： 所述训练包括监督学习和无监督学习； 针对每个客户端半监督学习模型，模型整体参数θ分解为了监督学习参数α和无监督学习参数β，使得θ=α+β； 所述监督学习基于带标签数据集进行训练，训练过程中冻结无监督学习参数β，得到更新后的监督学习参数；所述无监督学习基于无标签数据集进行训练；训练过程中冻结监督学习参数α，得到更新后的无监督学习参数； 在每一轮的无监督学习后，将模型生成的伪标签进行采样，将采样得到的伪标签对应的数据加入带标签数据集中用于下一轮的监督学习； 所述无监督学习采用的损失函数为： 其中，为损失函数，CE为交叉熵损失函数，为标签，y为输出，为本地的客户端半监督学习模型对于输入的输出，为输入经数据增强后的数据，H为高可靠模型的个数，KL为相对熵函数，为第个高可靠模型对于输入的输出，为本地的客户端半监督学习模型对于输入的输出； 其中，标签采用以下公式表示： 其中，为one-hot函数。

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陕西师范大学，其通讯地址为：710062 陕西省西安市长安南路199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。