本发明公开了一种基于差分隐私的个性化联邦学习识别方法及系统，所述方法在客户端执行，包括：获取初始化模型参数，并将其加载入预搭建的本地模型中；基于隐私预算采用个性化差分隐私算法对加载参数的本地模型进行噪声处理，并将噪声处理后的本地模型的共享层模型参数发送给服务器；将聚合后的共享层模型参数加载入噪声处理后的本地模型的共享层中，然后局部微调，得到个性化模型；对个性化模型进行重复训练，直至达到全局迭代次数后，得到基于差分隐私的个性化联邦学习测试模型。本发明的客户端能够根据客户选择的隐私预算对本地模型进行处理，从而适应不同用户的不同隐私需求，同时结合Adam算法，降低了添加噪声对模型精度的影响。
📄 2023111509423
📂 G06N3_098
👤 南京信息工程大学
📅 2023-09-07
一种基于聚类的联邦图学习方法，基于聚类聚合算法提升数据分布不均匀的图网络参与联邦学习获得的全局模型性能，所述方法包括步骤：S1：客户端通过各自的数据收集方式获取图数据，构建图网络并计算各类标签的结构差异性E，上传至服务器；S2：拥有不同分布数据的客户端在本地进行训练，直至模型收敛，以获得输出层的模型参数aout并上传至服务器。服服务器将客户端上传的两个参数处理后作为划分客户端到不同的聚类簇的依据；S3:各客户端本地训练至一定批次时，上传其模型参数至服务器。服务器通过簇内聚合与簇间聚合更新全局模型参数并发送给各个客户端，客户端更新模型继续下一批次的训练，直至模型收敛。本发明能更好地完成节点分类，链路预测任务。
📄 2022108364227
📂 G06N3_098
👤 浙江工业大学
📅 2022-07-15
本发明公开提供一种基于神经元激活差异的联邦公平框架训练方法和装置。在进行联邦学习的过程中，服务器除了要求客户端上传本地模型更新参数以外，还要求客户端上传神经元的激活频率，服务器通过计算客户端神经元激活频率的稀疏度，来评估每个客户端的贡献度，以此下发不同的质量的全局模型给各个客户端。
📄 2022116986547
📂 G06N3_098
👤 浙江工业大学
📅 2022-12-28
一种基于模型指纹的联邦学习产权标签标定方法，包括：联邦学习正常的执行主任务训练，服务器端通过提取全局模型固有特征，将非训练数据的关键样本生成一组专门制作的对抗示例，做为模型指纹，输入到全局模型得到特有的输出分布特征，基于该分布特征，训练部署在服务器的验证模型。且上一轮生成的对抗示例会动态的添加下一轮的模型特征，强化模型指纹的效果。最终利用对抗示例的可转移性达到产权的声明和验证。本发明在不影响联邦主任务训练的同时实现模型产权的保护；不会对全局模型预测精度产生副作用；基于模型指纹的技术有效的弥补了水印嵌入技术的缺陷。
📄 2022113578052
📂 G06N3_098
👤 浙江工业大学
📅 2022-11-01
本发明公开了一种面向记忆增强元学习的深度学习模型去偏方法，包括：(1)获取样本数据集，并提取类别标签以及敏感属性标签；(2)构建包含控制器和外部记忆单元的深度学习模型；(3)利用深度学习模型对样本数据进行学习的过程中，依据输出键值与类别标签之间的映射关系筛选得到类别标签，并依据类别标签进行关于敏感属性的相似度检测，筛选得到敏感样本；(4)对敏感样本进行重要性检测，以确定敏感样本的重要性权重；(5)依据重要性权重对敏感样本删减或改变重要性权重，以实现对深度学习模型的去偏处理，从而达到对深度学习模型的去偏效果。
📄 2021106499140
📂 G06N3_0985
👤 浙江工业大学
📅 2021-06-10
本发明公开了一种基于对抗噪声注入的垂直联邦学习方法，包括以下步骤：边缘客户端数据对齐，保证数据特征相同，不同边缘客户端之间相同训练数据成员id进行数据对齐匹配；边缘客户端和服务器端模型初始化工作准备，包括服务商协商选定客户端边缘网络模型和服务器端网络模型和结构，模型参数初始化设置；将客户端边缘网络模型训练产生的中间信息送至信息去敏装置注入对抗性噪声；将边缘客户端去敏的中间信息上传给服务器，利用服务器上布置的网络模型进行训练，并将梯度信息重新反馈给边缘客户端，迭代训练过程，直至联邦模型收敛。该发明不仅保护数据隐私还有效提升了模型的收敛速率，增强了垂直联邦学习框架的实用性。
📄 2021106543590
📂 G06N3_098
👤 浙江工业大学
📅 2021-06-11
本发明属于工业装备状态监测与智能诊断技术领域，公开了一种面向混凝土传送机轴承的轻量化联邦故障诊断方法，包括将全局学生模型参数与上一轮本地学生模型参数进行融合，得到本轮本地训练的初始参数；基于教师模型参数和本地训练的初始参数进行知识蒸馏，得到知识蒸馏损失；提取本地学生模型的中间层特征图并变换得到幅度谱，计算幅度谱在轴承故障特征频率范围内的能量占比，以能量占比构建频谱能量集中损失；综合知识蒸馏损失和频谱能量集中损失更新本地学生模型参数，聚合所有本地学生模型参数生成全局学生模型参数，直至联邦学习结束。本发明提高了边缘设备在隐私保护条件下的智能诊断能力、轻量化部署性能和模型可解释性。
📄 2026103143048
📂 G06N3_098
👤 浙江工业大学
📅 2026-03-16
本发明公开了一种基于节点嵌入差异检测的垂直联邦模型防御方法，包括：(1)训练参与方利用本地数据和服务器下发的梯度信息对边缘图卷积模型进行训练，获得模型更新的节点嵌入向量；(2)训练参与方利用本地数据新建一个基准图卷积模型并进行训练，获得模型更新的节点嵌入向量；(3)分别计算两个模型更新的节点嵌入向量之间的节点相似度，并计算两者的相似度差异矩阵；(4)将节点的相似度差异作为节点特征，对节点进行聚类，并筛选出目标节点；(5)根据目标节点和与邻居节点的相似度，对上传服务器的节点嵌入向量进行修正。本发明可以有效地减弱由恶意参与方进行的对抗攻击带来的影响，提高图数据上的垂直联邦模型对对抗攻击的鲁棒性。
📄 2021106487228
📂 G06N3_098
👤 浙江工业大学
📅 2021-06-10
本发明涉及人工智能技术领域，公开了一种基于隐私保护的增量宽度学习系统及方法，包括以下具体步骤：S1、服务端个客户端通过广播发送询问请求S2、服务端将所有客户端分为若干个客户端组，并将分组记录发送给中介；第一轮训练的第一个客户端组生成并发送初始矩阵给中介；中介根据分组记录分别发送初始矩阵给其余客户端组；S3、服务端与客户端组对每个客户端组进行数据加密；S4、服务端计算生成隐藏层输出矩阵；增量更新全局隐藏层输出矩阵和全局输出层权重矩阵；S5、判断客户端是否新增数据；若是则回到步骤S1进行下一轮训练；若否则完成增量宽度学习。本发明解决现有技术无法满足多个隐私数据参与方的数据合作的问题，其具有输出精度高的特点。
📄 202310850681X
📂 G06N3_098
👤 广东工业大学
📅 2023-07-11
本发明提供了一种面向智能电网数据保护的联邦学习方法，中心服务器将初始化神经网络模型下发至多个智能电表；每个智能电表利用生成模型生成数据样本或本地用电数据进行训练，并将训练后的模型参数和评分指标上传至中心服务器通过聚合模型对训练后的模型参数和评分指标进行聚合检测，确定异常智能电表；中心服务器对除异常智能电表上传的模型参数以外的所有模型参数进行注意力动态聚合，得到全局模型，并判断全局模型是否满足预设训练终止条件；若是，则训练结束，将全局模型用于对用电量进行预测；否则，将全局模型作为初始化神经网络模型下发至多个智能电表，并返回执行步骤2；在提高智能电网数据隐私保护能力的同时提高联邦学习的效率。
📄 2025103492877
📂 G06N3_098
👤 湖南工商大学
📅 2025-03-24
本发明涉及神经网络架构搜索技术领域，公开了一种基于分层‑反馈机制和TEG引导的可微神经架构搜索方法，包括：分层搜索阶段，搜索网络深度逐步递增，并结合TEG指标进行架构选择，使用可微分架构搜索方法进行神经架构搜索，搜索步骤中包含多个搜索阶段，每个搜索阶段对应一个搜索网络，且随着搜索阶段的增加，对应的搜索网络的单元的数量随之增加，并逐渐接近评估步骤使用的评估网络中的单元的数量；步骤二，反馈搜索阶段：评估网络由最后一个搜索阶段的搜索网络扩充而来，将搜索网络与评估网络整合，并以循环的方式联合训练最后一个搜索阶段的搜索网络和评估网络。很大程度上提高了搜索效率，同时保持了较高的搜索模型的准确性。
📄 2024110050443
📂 G06N3_0985
👤 安徽大学
📅 2024-07-25
本发明属于联邦学习技术领域，涉及基于多因子动态评估的联邦学习客户端选择方法，通过模型所有者计算当前状态下的客户端的积极因子，然后使用基于背包问题的参与者选择算法选择客户端参与到联邦学习中；客户端下载全局模型，使用本地数据集进行训练，并将训练好的本地模型发送到区块链上；客户端计算自己与其他客户端本地模型之间的余弦相似度，并以余弦相似度计算客户端之间的互信度；模型所有者会读取各个客户端之间的互信度，计算每个客户端的群体声誉；模型所有者根据客户端的本地模型评估客户端本轮训练中的努力值。本发明可从源头实现恶意节点过滤、惰性客户端激励与类不平衡缓解的协同优化，显著提升联邦学习系统的整体效能与安全性。
📄 2025106021207
📂 G06N3_098
👤 华东交通大学
📅 2025-05-12
柿子坊 · 知识产权运营
柿子坊知识产权运营平台