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！

龙图腾网恭喜齐鲁工业大学(山东省科学院);山东省计算中心(国家超级计算济南中心)申请的专利面向异构联邦学习的自适应差分隐私保护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：CN119293861B 。

龙图腾网通过国家知识产权局官网在2025-07-01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：202411845784.8，技术领域涉及：G06F21/62；该发明授权面向异构联邦学习的自适应差分隐私保护方法是由吴晓明;刘腾;杨明;王鑫;陈振娅;穆超;刘臣胜;贺云鹏;徐硕;吴法宗设计研发完成，并于2024-12-16向国家知识产权局提交的专利申请。

本面向异构联邦学习的自适应差分隐私保护方法在说明书摘要公布了：本发明属于联邦学习的技术领域，更具体地，涉及面向异构联邦学习的自适应差分隐私保护方法。所述方法包括在模型的不同层次上引入自适应噪声。模型的各层次对整体学习效果的贡献存在差异，为了在加噪的同时尽可能减小对关键特征的破坏，本文基于模型层次的重要性程度对不同部分进行差异化加噪，即在较重要的层次上施加较少噪声，而在次要层次上施加更多噪声。本发明解决了传统的差分隐私联邦学习方法由于噪声的引入，通常会对模型的性能产生负面影响，尤其是降低模型的收敛速度和精度的问题。

本发明授权面向异构联邦学习的自适应差分隐私保护方法在权利要求书中公布了：1.一种面向异构联邦学习的自适应差分隐私保护方法，其特征在于，所述方法包括： S1、对深度神经网络进行分层处理，对各层设置不同的损失函数并更新本地模型损失函数进行优化； S2、将优化后的深度神经网络聚合得到中心服务器初始的全局参数，中心服务器下发全局参数；本地模型接收全局参数，然后基于本地数据集计算当前迭代轮次中的样本梯度；在本地模型中，每个客户端均具有一个用于图像分类识别任务的本地数据集，本地数据集包含有B个样本； S3、应用梯度下降算法，基于样本梯度计算得到的本地梯度更新本地模型参数，并计算本地模型相应的损失值； S4、根据计算得到的损失值分配各层的隐私预算，并对本地模型参数进行加噪处理； S5、将更新后的本地模型参数即加噪处理的本地模型参数上传至中心服务器，进行参数聚合，并将更新后的全局模型参数下发至各个客户端，如此迭代更新至迭代阈值； 所述S1具体包括： S11、对本地模型的深度神经网络进行分层处理，将深度神经网络分为卷积层和全连接层，即；卷积层通过多个滤波器在输入特征图上滑动来生成新的特征图； S12、根据不同层的特性和需求设置不同的损失函数，优化模型： 在卷积层中添加一个分段的正则项： （1）； 公式（1）中，设定总全局迭代次数为，总本地迭代次数为，在第轮迭代中，；代表客户端在第t次全局迭代中进行第次本地迭代后的卷积层参数，k≤，而则代表第t-1次全局迭代的卷积层参数，为裁减阈值； 在全连接层中添加一个动量项： （2）； 公式（2）中，代表客户端在第t次全局迭代中进行第次本地迭代后的全连接层参数，而则代表客户端在第t次全局迭代中进行第次本地迭代后的全连接层参数； S13、更新本地模型损失函数： （3）； 公式（3）中，，是交叉熵损失函数；、分别是控制正则化机制和动量机制的系数，B代表本地数据集中的样本总数，bi代表第i个客户端本地数据集中的第b个样本； 所述S4具体包括： 当分配给卷积层的隐私预算为时，则分配给全连接层的噪声为满足差分隐私，其中，是一个控制隐私预算分配的系数；为隐私预算； 卷积层与全连接层隐私预算的比值为2：1，即当时，为1.5，则卷积层与全连接层的噪声比值为：=1：2； 当时，根据计算得到的损失值分配各层次的隐私预算，即： （11）； 然后对要上传的模型参数进行加噪处理： ,（12）； （13）； （14）； 公式（12）~（14）中，和分别是上传的卷积层和全连接层的模型差值参数，分别是卷积层和全连接层的裁剪阈值，和分别是卷积层和全连接层对应的期望为0，方差为和的高斯噪声，和表示更新得到的第次本地迭代时客户端的卷积层与全连接层参数。

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齐鲁工业大学(山东省科学院);山东省计算中心(国家超级计算济南中心)，其通讯地址为：250000 山东省济南市长清区西部新城大学科技园；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”。