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！

龙图腾网获悉深圳大学申请的专利基于噪声尺度分配的差分隐私联邦学习方法及相关设备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：CN121072809B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202511622437.3，技术领域涉及：G06N20/00；该发明授权基于噪声尺度分配的差分隐私联邦学习方法及相关设备是由崔来中;马嘉艇;周义朋;文世挺;李琦设计研发完成，并于2025-11-07向国家知识产权局提交的专利申请。

本基于噪声尺度分配的差分隐私联邦学习方法及相关设备在说明书摘要公布了：本申请属于模型训练技术领域，提供一种基于噪声尺度分配的差分隐私联邦学习方法及相关设备。本申请实施例获取目标客户端在总训练步数下的总噪声尺度序列，以及基于总噪声尺度序列，为目标客户端在本轮全局迭代中的多个本地训练步骤分配噪声尺度子序列；总噪声尺度序列是在目标客户端的总隐私预算的约束下，最小化服务器对应的全局模型的收敛上界确定的递增序列；通过目标客户端基于递减的学习率序列和小批量随机梯度下降算法，执行本轮全局迭代，并根据噪声尺度子序列进行梯度加噪处理。最后，基于聚合后的累积加噪梯度更新当前全局模型。本申请实施例能够适用于小批量本地训练的差分隐私联邦学习，在隐私保护的同时，提高模型性能。

本发明授权基于噪声尺度分配的差分隐私联邦学习方法及相关设备在权利要求书中公布了：1.一种基于噪声尺度分配的差分隐私联邦学习方法，其特征在于，所述方法包括： 确定在总训练步数下每个本地训练步骤的学习率序列，并将所述学习率序列发送给全量客户端；所述总训练步数对应多轮全局迭代，所述学习率序列是递减序列； 针对每轮全局迭代，从所述全量客户端中确定参与本轮全局迭代的目标客户端，并将当前全局模型发送给所述目标客户端； 获取所述目标客户端在所述总训练步数下的总噪声尺度序列，以及基于所述总噪声尺度序列，为所述目标客户端在所述本轮全局迭代中的多个本地训练步骤分配噪声尺度子序列，并将所述噪声尺度子序列发送给所述目标客户端；所述总噪声尺度序列是在所述目标客户端的总隐私预算的约束下，最小化服务器对应的全局模型的收敛上界确定的递增序列； 通过所述目标客户端基于所述学习率序列和小批量随机梯度下降算法，执行所述本轮全局迭代中的多个本地训练步骤，并根据所述噪声尺度子序列分别对每个本地训练步骤所得的模型梯度进行加噪处理，获得累积加噪梯度； 获取所述目标客户端上传的累积加噪梯度，并基于聚合后的累积加噪梯度更新所述当前全局模型； 其中，所述获取所述目标客户端在所述总训练步数下的总噪声尺度序列，包括： 确定所述目标客户端在本地训练步骤下采用高斯机制的噪声方差上界； 根据所述目标客户端的本地模型梯度与全局模型梯度之间的差异，确定所述目标客户端的样本分布程度； 基于所述噪声方差上界和所述样本分布程度，推导在所述总训练步数下的模型收敛上界； 采用瑞丽差分隐私机制，量化所述目标客户端各自在所述总训练步数下的噪声尺度所消耗的第一累积隐私预算； 获取瑞丽差分隐私机制与差分隐私机制之间的转换关系，并基于所述转换关系，将所述第一累积隐私预算转换为在差分隐私机制下的第二累积隐私预算； 将所述第二累积隐私预算与所述目标客户端各自的总隐私预算相等，设置为所述目标客户端的总噪声尺度序列的理论约束条件； 获取基于噪声尺度平均分配算法所确定的目标最优阶数参数值； 基于所述目标最优阶数参数值替换所述理论约束条件中的最优阶数参数，得到所述目标客户端的总噪声尺度序列的目标约束条件； 在所述目标约束条件下，最小化所述服务器对应的全局模型的收敛上界，计算得到所述目标客户端在所述总训练步数下的总噪声尺度序列。

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深圳大学，其通讯地址为：518060 广东省深圳市南山区粤海街道南海大道3688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。