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！

龍圖騰網獲悉合肥工業大學申請的專利一種基于類別分布感知的非平衡數據聯邦學習方法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：CN116662810B 。

龍圖騰網通過國家知識產權局官網在2025-08-26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：202310678649.8，技術領域涉及：G06F18/214；該發明授權一種基于類別分布感知的非平衡數據聯邦學習方法是由姚遠志;齊美彬設計研發完成，并于2023-06-07向國家知識產權局提交的專利申請。

本一種基于類別分布感知的非平衡數據聯邦學習方法在說明書摘要公布了：本發明公開一種基于類別分布感知的非平衡數據聯邦學習方法，包括：步驟11，本地用戶共享本地模型結構，根據本地數據集計算類別分布感知因子；步驟12，本地用戶建立本地模型訓練中模型參數與損失函數的關聯模型，用類別分布感知因子與絕對權重差值和構造類別分布感知的交叉熵損失函數，更新本地模型，將本地模型梯度上傳服務器；步驟13，服務器聚合本地用戶的交叉熵損失函數計算出本地模型梯度，更新全局模型；步驟14，本地用戶從服務器下載全局模型，服務器用非平衡數據集驗證全局模型準確度是否大于預設閾值，若是執行步驟15，若否重復執行步驟12、13；步驟15，完成非平衡數據聯邦學習訓練。該方法能提高非平衡數據聯邦學習全局模型的準確度。

本發明授權一種基于類別分布感知的非平衡數據聯邦學習方法在權利要求書中公布了：1.一種基于類別分布感知的非平衡數據聯邦學習方法，其特征在于，包括： 步驟11，本地用戶共享本地模型的網絡結構，并根據本地數據集計算類別分布感知因子； 步驟12，本地用戶建立本地模型訓練過程中模型參數與損失函數的關聯模型，使用所述步驟11得到的類別分布感知因子與絕對權重差值和構造類別分布感知的交叉熵損失函數，完成本地模型更新，并將訓練完成的本地模型梯度作為共享參數上傳到服務器；具體為： 步驟121，在每次本地模型更新過程中每個本地用戶的本地模型的參數由更新為，本地模型使用的類別分布感知的交叉熵損失函數用泰勒級數表示； 步驟122，每個本地用戶按以下公式4計算第次本地模型更新時的絕對權重差值和為：4； 其中，為在第次本地模型更新時的本地模型中最后一個全連接層的參數；為在第次本地模型更新時的本地模型中最后一個全連接層的參數，本地模型中最后一個全連接層有個參數；隨著本地模型的收斂，絕對權重差值和趨近于零； 步驟123，本地用戶按以下公式5使用類別分布感知因子與絕對權重差值和構造類別分布感知的交叉熵損失函數為：5； 其中，為在第次本地模型更新時的本地模型參數；為數據對應于第類的真實類別標簽；為數據對應于第類的預測類別標簽；為類別感知權重； 步驟124，第個本地用戶使用類別分布感知的交叉熵損失函數完成第次本地模型更新，表示為：7； 其中，為第個本地用戶在完成第次本地模型更新時的本地模型參數；為第個本地用戶在完成第次本地模型更新時的本地模型參數；為第個本地用戶在完成第次本地模型更新時由類別分布感知的交叉熵損失函數計算得到的本地模型梯度；為本地模型的更新學習率； 步驟125，每個本地用戶重復執行步驟122）、步驟123）和步驟124）直到本地模型更新次數達到本地模型更新輪數時為止，并將訓練完成的本地模型梯度作為共享參數上傳到服務器； 步驟13，服務器聚合本地用戶上傳的由類別分布感知的交叉熵損失函數計算得到的本地模型梯度，完成全局模型更新； 步驟14，本地用戶與服務器進行全局通信，從服務器下載更新的全局模型，服務器使用非平衡數據集驗證全局模型準確度是否大于預先設定的閾值，若是則執行步驟15，若否則重復執行步驟12和步驟13； 步驟15，完成非平衡數據聯邦學習訓練過程。

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合肥工業大學，其通訊地址為：230009 安徽省合肥市包河區屯溪路193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”。