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！

龙图腾网获悉西南大学申请的专利一种面向客户端缺失模态的多模态联邦学习模型训练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：CN121706896B 。

龙图腾网通过国家知识产权局官网在2026-05-05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：202610216624.X，技术领域涉及：G06N3/098；该发明授权一种面向客户端缺失模态的多模态联邦学习模型训练方法是由任薇;周海霞设计研发完成，并于2026-02-14向国家知识产权局提交的专利申请。

本一种面向客户端缺失模态的多模态联邦学习模型训练方法在说明书摘要公布了：本发明涉及机器学习技术领域，尤其涉及一种面向客户端缺失模态的多模态联邦学习模型训练方法。该方法由服务器初始化包含可学习补偿向量的全局模型；客户端在本地训练中，根据二进制掩码识别模态状态，针对缺失模态引入所述补偿向量作为代理特征，并利用自屏蔽交互机制从其他可用模态汲取语义信息以生成重构特征；通过自适应门控残差融合动态调节特征融合比例。本发明引入实例级对比损失与分布级最大均值差异损失的双重对齐约束，从微观语义与宏观统计层面抑制因模态缺失和数据异质性导致的客户端漂移。本发明无需复杂的数据生成重构，显著降低了边缘设备的计算与通信开销，提升了全局模型在模态缺失异构环境下的预测准确性、鲁棒性与训练稳定性。

本发明授权一种面向客户端缺失模态的多模态联邦学习模型训练方法在权利要求书中公布了：1.一种面向客户端缺失模态的多模态联邦学习模型训练方法，其特征在于，包括以下步骤： S1.初始化系统模型，构建用于面向客户端缺失模态的全局多模态模型，基于服务器端，对全局模型参数进行初始化，并根据目标学习任务需求，分别设定多模态联邦学习通信轮数、客户端采样比例与损失函数权重参数； S2.基于客户端采样比例，从所有客户端中抽取当前训练轮次参与训练的客户端，构建参与训练子集，并将当前全局模型参数广播至参与训练子集中的各个客户端； S3.基于全局模型参数，分别对参与训练子集中的各个客户端进行本地模型初始化，并结合各个客户端的本地多模态数据集与损失函数权重参数，对各个客户端进行独立本地训练，得到各个客户端独立本地训练后更新的本地参数； S4.将更新后的本地参数上传至服务器端，并通过基于客户端数据量的联邦平均算法，对更新后的本地参数进行参数聚合，构建新一轮全局模型参数； S5.根据新一轮全局模型参数，重复步骤S2-S4直至达到预设多模态联邦学习通信轮数，得到训练完成的全局多模态模型； 步骤S1中所述全局模型参数包括模型结构参数与可学习补偿向量参数；所述模型结构参数包括特征提取器参数、特征融合模块参数与解码器参数； 步骤S3包括以下子步骤： S301.参与训练子集中各个客户端接收全局模型参数对本地模型进行初始化，并基于各客户端的本地多模态数据集，分别构建可用模态集合与缺失模态集合； S302.通过特征提取器，将可用模态集合中每个模态映射至高维语义特征空间，得到真实特征表示；基于可学习补偿向量参数，构建与缺失模态集合对应的可学习补偿向量作为代理特征表示，并结合真实特征表示构建统一特征集合； S303.根据统一特征集合进行语义关系建模得到语义关系矩阵，基于语义关系矩阵通过自屏蔽交互权重算法生成与统一特征集合对应的跨模态重构特征集合，通过自适应门控单元对统一特征集合与跨模态重构特征集合进行残差融合，得到融合特征集合； S304.根据融合特征集合，通过双重对齐正则化算法分别进行实例级语义对齐与分布级统计对齐，得到实例级对比损失值与分布级最大均值差异值，结合损失函数权重参数，计算得到本地总损失值； S305.对本地总损失值进行反向传播，通过随机梯度下降优化器对各个客户端进行本地模型参数更新，得到各个客户端独立本地训练后更新的本地参数。

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西南大学，其通讯地址为：400715 重庆市北碚区天生路2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。