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！

龙图腾网获悉南京邮电大学申请的专利一种通信高效的隐私保护个性化联邦学习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：CN116862022B 。

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：202310774409.8，技术领域涉及：G06N20/20；该发明授权一种通信高效的隐私保护个性化联邦学习方法是由陈思光;王倩;曾文骏;吴蒙设计研发完成，并于2023-06-28向国家知识产权局提交的专利申请。

本一种通信高效的隐私保护个性化联邦学习方法在说明书摘要公布了：本发明公开了一种通信高效的隐私保护个性化联邦学习方法。本发明研究了一种基于特征融合相互学习的个性化联邦学习，可以通过在客户端对其共享模型、私有模型和融合模型进行交互训练来实现通信高效的个性化学习。具体地，只有共享模型与全局模型共享以减少通信成本，而私有模型可进行个性化设计，融合模型可以在不同阶段自适应地融合本地知识和全局知识。其次，为了进一步降低通信成本并增强梯度的隐私性，本发明设计了一种基于梯度压缩的隐私保护方法。该方法通过构建一种混沌加密循环测量矩阵，可以很好地实现隐私保护和轻量级压缩。此外，本发明还提出了一种基于稀疏性的自适应迭代硬阈值算法，以提高灵活性和重构性能。

本发明授权一种通信高效的隐私保护个性化联邦学习方法在权利要求书中公布了：1.一种通信高效的隐私保护个性化联邦学习方法，其特征在于，该方法包括如下步骤： 1基于不同客户端对隐私保护需求的不同，设计具有隐私保护的个性化联邦学习网络模型，该模型由隐私客户端、公共客户端和中央服务器组成； 2所有客户端通过各自的神经网络学习知识，并结合本地数据集学习到的知识与全局知识实现个性化学习，其中，客户端利用本地数据集对本地神经网络完成训练之后，隐私客户端通过将其神经网络梯度与公共客户端的神经网络梯度分组聚合后再进行梯度压缩，以此降低通信开销并保护梯度信息，隐私客户端将压缩后的梯度上传到中央服务器进行全局聚合； 3中央服务器对收到客户端上传的压缩梯度进行解压重构，对重构的梯度再进行全局聚合，并更新全局神经网络，最后将全局神经网络的模型参数分发给每个客户端； 将对聚合后的梯度进行压缩具体方法如下： 在隐私客户端i中，假设第j层梯度的维度为，利用测量矩阵对梯度进行压缩，测量矩阵的生成方法如下； 1基于Chebyshev映射生成长度为的混沌序列，该混沌序列第个元素生成的表达式为： ； 其中，q为Chebyshev阶，为混沌序列第n个元素，，初值，选择采样间隔d，并对上述混沌序列进行间隔采样，该序列设为第j层测量矩阵的第一行，的标准差为； 2对步骤1中生成的执行次向左循环移位，以生成维度为的，即： ； 其中，为常数且满足对进行归一化，即： ； 当为常数时，为归一化系数，则，； 3重复上述两个步骤生成梯度每一层的测量矩阵，最终组成测量矩阵，其中，满足受限等距性质； 隐私客户端i基于执行梯度压缩，压缩后的梯度表示为： ； 其中，为感知矩阵，表示经过离散余弦变换的稀疏基矩阵，为稀疏系数向量； 步骤3具体方法如下： 中央服务器在接收到所有压缩后的梯度后进行重构，对重构梯度进行全局聚合并更新全局神经网络； 重构目标是根据给定的压缩梯度和感知矩阵求解稀疏系数向量，重构是通过优化如下基于L2范数的最小化问题来实现的： ； ； 其中，约束条件表示重构梯度中非零值的数量不超过，的具体估计方法，定义为： ； 其中，表示中的元素个数，整个求解过程的迭代次数与稀疏度密切相关，即迭代次数为，符号“”表示向下取整； 在优化过程中，更新为： ； 其中，表示第l次迭代，是一个非线性算子函数，它将中除了绝对值最大的个元素之外的元素都设置为零，定义为： ； 其中，表示为对中元素的绝对值进行排序后第个最大值； 经过次迭代后得到最优稀疏系数向量，则重构梯度为； 进行梯度的全局聚合并更新全局神经网络，全局神经网络的更新过程如下： ； 其中，是全局神经网络的参数，表示全局模型的学习率，总样本量为，是的样本数量。

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南京邮电大学，其通讯地址为：210003 江苏省南京市鼓楼区新模范马路66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。