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！

龙图腾网获悉淮阴工学院申请的专利一种基于MD抽样和模型可信度的联邦学习聚合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：CN115859113B 。

龙图腾网通过国家知识产权局官网在2026-02-27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：202211618927.2，技术领域涉及：G06F18/214；该发明授权一种基于MD抽样和模型可信度的联邦学习聚合方法是由孙成富;李晓晨;赵建洋;单劲松;徐振崴;呙晓驰设计研发完成，并于2022-12-14向国家知识产权局提交的专利申请。

本一种基于MD抽样和模型可信度的联邦学习聚合方法在说明书摘要公布了：本发明公开一种基于MD抽样和模型可信度的联邦学习聚合方法，MD抽样方法进行边缘设备的抽样，基于边缘设备样本量与总体样本量的比值进行抽样，服务器向被选中的边缘设备发送模型，被抽样边缘设备进行本地训练，通过随机梯度下降方法进行局部模型更新，当达到本地训练次数后，将本地训练的相关参数进行上传。基于模型可信度的全局模型聚合策略，首先对上传的边缘设备的局部模型计算其模型可信度；基于局部模型准确率计算出其模型精度，基于时间衰减函数计算出每个边缘设备局部模型的历史精度模型；最后利用模型可信度和局部的历史模型精度作为聚合全局模型时局部模型所占的比重。本发明保证了模型的准确率以及安全性，提高了模型的收敛速率。

本发明授权一种基于MD抽样和模型可信度的联邦学习聚合方法在权利要求书中公布了：1.一种基于MD抽样和模型可信度的联邦学习聚合方法，其特征在于，包括如下步骤： 步骤1：边缘设备获取所处节点的样本数据，构建预训练数据集，进行全局训练初始化； 步骤2：在第t轮训练中，服务器端向所有边缘设备发送任务指令，收到任务指令的边缘设备上传响应的返回值，服务器端根据收到的返回值计算每个边缘设备数据量的比值ηi； 步骤3：根据比值ηi进行MD抽样选择参与本次训练的边缘设备； 步骤4：服务器端向选中的边缘设备发布请求训练的任务指令，边缘设备使用随机梯度下降算法进行局部模型的更新，直至训练次数达到本地训练次数E； 步骤5：将边缘设备i训练的局部模型准确率和梯度更新值Δg之和G上传至服务器端； 步骤6：服务器端根据接收到的m个边缘设备的局部模型相关参数进行投毒攻击检测，分为两种，一种是用于IID数据场景下，一种是用于non-IID数据场景下，计算后得到本轮第i个边缘设备的局部模型的模型可信度rit； 步骤6.1：针对边缘设备处于IID数据场景下，通过比较包含第i个边缘设备的局部模型的聚合模型，和没有该边缘设备的局部模型的聚合模型的准确率，满足下式： 其中，表示边缘设备i关于IID数据场景下的评估结果，w′t表示采用所有参与训练的局部模型所聚合的全局模型，表示边缘设备i不参与聚合后的聚合模型，acc表示使用预训练数据集测试后的准确度； w′t满足下式： 其中，m为参与本轮训练的边缘设备的个数，表示在第t轮训练中，边缘设备i的局部模型； 步骤6.2：针对边缘设备处于non-IID数据场景下，根据边缘设备i的局部模型梯度更新值Gi与另一局部模型梯度更新值Gj的余弦相似度具体公式为： 步骤6.3：由于有多个边缘设备相互比较，于是针对边缘设备i取的最大值为vi； 步骤6.4：为了减少错误判断正常局部模型为有毒模型的概率，通过vi与vj的比值，重新加权余弦相似度，则会根据vi和vj的比值进行更新，并满足下式： 步骤6.5：取csij的最大值为该值表示边缘设备i关于non-IID数据场景下的评估结果； 步骤6.6：将和进行结合，计算边缘设备i的局部模型的模型可信度，并满足下式： 其中，σmax和σmin是判断该模型是否可靠的阈值，当大于σmax时表示该模型为可靠模型，该局部模型的模型可信度为1，当小于σmin时，该局部模型为不可靠模型，该局部模型的模型可信度为0； 步骤7：服务器端根据第t轮中第i个边缘设备的准确率计算其模型精度，并将其存入服务器； 步骤8：服务器端更新第i个边缘设备的历史模型精度 步骤9：用模型可信度与历史模型精度相结合，服务器端对局部模型进行加权聚合； 步骤10：更新全局模型并保存，然后继续执行步骤2操作，重复执行步骤2-步骤9直至训练次数达到F。

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淮阴工学院，其通讯地址为：223000 江苏省淮安市经济技术开发区枚乘东路1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。