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！

龙图腾网获悉江西师范大学申请的专利一种基于自适应的分层压缩联邦学习方法、设备及介质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：CN121352073B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202511923372.6，技术领域涉及：G06N20/00；该发明授权一种基于自适应的分层压缩联邦学习方法、设备及介质是由秦乐;蒋佳龙;付郁;熊泽楠;谢平;易玉根;饶鑫平设计研发完成，并于2025-12-19向国家知识产权局提交的专利申请。

本一种基于自适应的分层压缩联邦学习方法、设备及介质在说明书摘要公布了：本申请属于分布式机器学习技术领域，公开了一种基于自适应的分层压缩联邦学习方法、设备及介质，该方法包括：服务器端基于动态计算的客户端参与率和稀疏率选择客户端并分发全局模型参数；客户端在本地训练后，计算梯度变化，并依次进行分层、动态稀疏化及稀疏阈值记录、三元量化和1‑bit压缩感知处理，将得到的压缩值、稀疏阈值及训练损失上传至服务器；服务器端接收数据后，一方面基于所有客户端上传的训练损失，通过自适应参与率算法和动态稀疏率算法，计算并更新下一轮的参与率和稀疏率，另一方面对接收的压缩参数进行重构和加权聚合以更新全局模型。本发明方法显著降低通信开销的同时，保持了与无损传输方案几乎无异的模型性能。

本发明授权一种基于自适应的分层压缩联邦学习方法、设备及介质在权利要求书中公布了：1.一种基于自适应的分层压缩联邦学习方法，其特征在于，包括以下步骤： 获取初始化的全局模型参数； 在每一训练轮次中： 步骤1、在服务器端中：基于当前训练轮次的客户端参与率和稀疏率，从多个客户端中选择一个或多个客户端；将所述全局模型参数和所述稀疏率发送至所选择的一个或多个客户端； 步骤2、在客户端中：所选择的任一客户端接收所述全局模型参数和所述稀疏率；利用本地私有数据集对接收到的全局模型进行训练，获得本地模型参数和训练损失；计算所述本地模型参数与所述全局模型参数的差值，得到梯度变化；基于所述稀疏率对所述梯度变化进行稀疏处理，获得稀疏梯度和稀疏阈值；对所述稀疏梯度进行量化处理，获得参数更新趋势；对所述参数更新趋势进行压缩，获得压缩值；将所述压缩值、所述稀疏阈值和所述训练损失发送至服务器端；具体包括：将所述梯度变化中的所有元素按照绝对值大小进行升序排列；根据所述稀疏率计算得到一个索引值k，并将所述升序排列后第k个元素的绝对值确定为本轮训练的稀疏阈值；遍历所述梯度变化中的所有元素，将绝对值大于所述稀疏阈值的元素保留，作为所述稀疏梯度，其余元素置零；对所述稀疏梯度中的非零元素应用sign函数，获得由正一和负一构成的所述参数更新趋势；利用高斯随机矩阵对所述参数更新趋势进行采样压缩，得到采样值；对所述采样值再次应用sign函数，获得符合1-bit压缩形式的压缩值； 步骤3、在服务器端中：接收来自一个或多个客户端的所述压缩值、所述稀疏阈值和所述训练损失；基于接收到的一个或多个训练损失，计算获得下一训练轮次的客户端参与率；基于接收到的一个或多个训练损失，计算获得下一训练轮次的动态稀疏率；对接收到的每一个压缩值，结合对应的稀疏阈值进行重构，以还原出一个或多个客户端的个性化模型参数；基于恢复出的一个或多个个性化模型参数，对当前训练轮次的全局模型参数进行聚合更新，获得下一训练轮次的全局模型参数； 重复执行步骤1至步骤3，直至满足预设的训练停止条件。

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江西师范大学，其通讯地址为：330000 江西省南昌市高新技术开发区紫阳大道99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。