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！

龙图腾网恭喜飞诺门阵(北京)科技有限公司申请的专利基于联邦学习和隐私差分的用户意见隐私保护方法及系统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：CN119358035B 。

龙图腾网通过国家知识产权局官网在2025-05-06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：202411919145.1，技术领域涉及：G06F21/62；该发明授权基于联邦学习和隐私差分的用户意见隐私保护方法及系统是由沈寓实;郭哲滔;兰健;刘星妍设计研发完成，并于2024-12-25向国家知识产权局提交的专利申请。

本基于联邦学习和隐私差分的用户意见隐私保护方法及系统在说明书摘要公布了：本发明提供基于联邦学习和隐私差分的用户意见隐私保护方法及系统，涉及隐私保护技术领域，包括服务器接收客户端请求，划分数据集并分发；客户端利用差分隐私机器学习算法进行本地训练，并用拉普拉斯噪声扰动模型参数；服务器使用秘密共享和同态加密技术聚合参数，更新全局模型；客户端接收隐私保护策略，对用户意见进行隐私处理后发送至服务器进行分析。本方法有效保护用户隐私，提高数据利用效率。

本发明授权基于联邦学习和隐私差分的用户意见隐私保护方法及系统在权利要求书中公布了：1.基于联邦学习和隐私差分的用户意见隐私保护方法，其特征在于，包括：在服务器端，接收来自至少两个客户端的联邦学习参与请求，所述联邦学习参与请求中携带有各个所述客户端的标识信息和设备性能参数；针对各个所述客户端，基于所述标识信息，将预设的用户意见数据集划分为对应的子数据集；根据各个所述客户端的设备性能参数，确定各个客户端的本地训练轮数和每轮迭代次数；将子数据集、所述本地训练轮数和每轮迭代次数，发送至对应的客户端；在各个所述客户端，根据接收到的所述子数据集，利用差分隐私机器学习算法，通过多轮本地训练得到对应的本地模型参数，每轮本地训练包括多次迭代，在每次迭代中，利用拉普拉斯噪声对所述本地模型参数进行扰动；将训练得到的所述本地模型参数发送至所述服务器端；在所述服务器端，基于收集到的各个客户端的所述本地模型参数，利用秘密共享技术和同态加密技术，通过隐私保护的参数聚合方式得到全局模型参数；利用所述全局模型参数更新预设的联邦学习模型，得到隐私保护策略；将所述隐私保护策略发送至各个客户端；在各个所述客户端，接收所述服务器端发送的所述隐私保护策略，当接收到目标用户发布的待处理意见时，基于所述隐私保护策略得到隐私保护后的目标意见；将隐私保护后的目标意见发送至所述服务器端进行业务分析和挖掘处理；利用所述全局模型参数更新预设的联邦学习模型，得到隐私保护策略，包括：获取通过秘密共享和同态加密聚合得到的全局模型参数,将所述全局模型参数载入预设的联邦学习模型中,通过梯度下降算法利用所述全局模型参数更新所述联邦学习模型的权重参数,得到更新后的联邦学习模型;将联邦学习任务的数据特征集合和隐私保护需求描述输入所述更新后的联邦学习模型,利用卷积神经网络提取输入数据的隐私属性特征向量,将所述隐私属性特征向量输入支持向量机进行分类,识别数据中的敏感信息;针对所识别出的敏感信息对应的隐私属性特征向量,构建包含隐私保护强度、数据效用损失度和计算开销的多目标优化模型;利用多目标进化算法求解所述多目标优化模型,根据适应度函数筛选优化多个目标的非支配解集，获得帕累托最优解集；从所述帕累托最优解集中选取满足当前联邦学习任务的隐私保护需求和资源约束条件的解作为最优隐私保护方案;根据所述最优隐私保护方案,建立隐私保护强度与数据效用损失度的非线性映射模型,所述非线性映射模型采用高斯径向基核函数表示隐私保护强度和数据效用损失度的非线性关系；利用模型参数寻优算法优化所述非线性映射模型,其中以最小化数据效用损失度为优化目标,以隐私保护强度不低于预设阈值为约束条件，得到满足最低隐私保护强度要求且数据效用损失最小的关键参数配置,生成隐私保护策略。

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飞诺门阵(北京)科技有限公司，其通讯地址为：100000 北京市海淀区中关村南大街乙12号天作国际中⼼A座29层；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”。