買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜濟南大學申請的專利一種基于本地差分隱私噪聲控制的聯邦學習方法及系統獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN118504709B 。

龍圖騰網通過國家知識產權局官網在2025-04-15發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202410611222.0，技術領域涉及：G06N20/00；該發明授權一種基于本地差分隱私噪聲控制的聯邦學習方法及系統是由趙川;李佳瑤;趙圣楠;陳貞翔;張建成;馬曉紅;鹿全禮;陳紀旸設計研發完成，并于2024-05-16向國家知識產權局提交的專利申請。

本一種基于本地差分隱私噪聲控制的聯邦學習方法及系統在說明書摘要公布了：本公開提出了一種基于本地差分隱私噪聲控制的聯邦學習方法及系統，方法包括：客戶端將本地模型和全局模型之間的差異作為約束因子，更新本地局部模型；基于更新的本地局部模型參數和全局模型參數，采用互信息計算擾動添加值；將擾動添加值添加到更新的本地局部模型的參數中，將添加擾動的本地局部模型參數發送給中心服務器；中心服務器對接收到的添加擾動的本地局部模型參數進行聚合，根據聚合后的數據對模型進行重構得到本輪訓練的全局模型，再下發給各客戶端。通過將本地模型和全局模型之間的距離作為約束因子對本地模型進行訓練，并利用互信息計算待添加擾動，實現了在保護客戶端本地隱私的同時保證聯邦學習全局模型訓練的性能。

本發明授權一種基于本地差分隱私噪聲控制的聯邦學習方法及系統在權利要求書中公布了：1.一種基于本地差分隱私噪聲控制的聯邦學習方法，其特征在于，包括：客戶端將本地模型和全局模型之間的差異作為約束因子，更新本地局部模型；基于更新的本地局部模型參數和全局模型參數，采用互信息計算擾動添加值；將擾動添加值添加到更新的本地局部模型的參數中，將添加擾動的本地局部模型參數發送給中心服務器；中心服務器對接收到的添加擾動的本地局部模型參數進行聚合，根據聚合后的數據對模型進行重構得到本輪訓練的全局模型，再下發給各客戶端；具體的，首先，客戶端Ci將自己的本地私有數據Di＝x,y分別輸入到本地模型ωl和全局模型ωg中，得到兩個預測概率pl和pg，預測概率之間的差值反映了本地模型ωl和全局模型ωg之間的差異；預測概率是把數據輸入到模型中后，得到的輸入數據屬于各個類別的概率，每個客戶端在訓練時都需要計算預測概率；客戶端Ci計算這兩個預測概率之間的KL散度將KL散度值作為訓練損失的一個約束因子，計算訓練損失的約束因素C＝γ·DKLpl||pg，其中γ是一個超參數；將得到的約束因素與本地模型訓練的交叉熵損失loss相加，計算新的損失函數L＝loss+C；最后，客戶端Ci采用隨機梯度下降算法最小化損失函數L計算梯度得到訓練好的本地局部模型參數其中α為梯度移動的步長；具體的，客戶端Ci首先根據本地局部模型參數ωi和上一輪接收到的全局模型參數計算截斷閾值其中β是一個可調參數，稱為截斷因子；客戶端Ci基于截斷閾值對訓練好的本地局部模型參數ωi執行截斷，具體方法如下：客戶端Ci計算截斷模型參數的敏感度和其中σ0是一個固定的噪聲水平值，最后得到此本地局部模型需要添加的隨機高斯噪聲使用根據本地局部模型和上一輪接收到的全局模型準確估計敏感度，并進一步計算添加到局部模型參數中的高斯噪聲方法，減輕因添加差分隱私噪聲導致的模型精度下降問題，從而在更高的隱私保護級別下實現更小的模型精度損失；每個客戶端Ci基于噪聲控制方法確定在本地局部模型中最終需要添加的擾動大小，具體地，首先，客戶端Ci基于互信息計算噪聲控制變量其中Hωi是本地局部模型參數ωi的熵，是全局模型的熵，是ωi和的聯合熵，然后，客戶端Ci根據MIi計算動態隱私噪聲調節系數接下來，確定需要添加的擾動大小基于得到的擾動添加值，客戶端Ci得到添加擾動的本地局部模型參數將添加擾動的本地局部模型參數發送給中心服務器。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人濟南大學，其通訊地址為：250022 山東省濟南市市中區南辛莊西路336號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。