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！

龍圖騰網獲悉齊魯工業大學(山東省科學院);山東省計算中心(國家超級計算濟南中心)申請的專利工業物聯網下基于雙重對抗訓練的聯邦學習方法及裝置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：CN120258095B 。

龍圖騰網通過國家知識產權局官網在2025-09-16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：202510742210.6，技術領域涉及：G06N3/098；該發明授權工業物聯網下基于雙重對抗訓練的聯邦學習方法及裝置是由楊明;李東潤;王鑫;吳曉明;陳振婭;賀云鵬;劉臣勝;穆超;徐碩;吳法宗設計研發完成，并于2025-06-05向國家知識產權局提交的專利申請。

本工業物聯網下基于雙重對抗訓練的聯邦學習方法及裝置在說明書摘要公布了：本發明屬于特征提取的技術領域，更具體地，涉及一種工業物聯網下基于雙重對抗訓練的聯邦學習方法及裝置。所述方法包括：服務器初始化全局模型并發至客戶端；各客戶端基于接收到的全局信息進行本地模型更新；完成本地模型更新后，各客戶端進入本地訓練階段；然后各客戶端重新計算本地特征原型、特征提取器上傳輪次；隨后將以下本地信息上傳至服務器，其中，若當前輪次在上傳輪次集合中，本地特征提取器才上傳；最后服務器聚合本地特征原型和本地分類器，和接收到的本地特征提取器，之后將聚合信息下發給各客戶端。本發明解決了現有聯邦學習方法在個性化與共享知識之間的平衡機制設計不足，難以適應工業現場多源異構、動態變化環境的問題。

本發明授權工業物聯網下基于雙重對抗訓練的聯邦學習方法及裝置在權利要求書中公布了：1.工業物聯網下基于雙重對抗訓練的聯邦學習方法，其特征在于，所述方法包括： S1、服務器初始化全局模型，并將該全局模型下發至各參與聯邦學習的客戶端，所述客戶端是指工業設備或終端； S2、各客戶端基于接收到的全局信息進行本地模型更新： 首次本地模型更新時，各客戶端將本地模型初始化為接收到的全局模型； 在后續輪次，客戶端收到來自服務器的新一輪全局特征提取器時，客戶端更新本地特征提取器，本地分類器部分則保持不變，不做更新操作； S3、完成本地模型更新后，各客戶端進入本地訓練階段； 本地模型中的特征提取器與分類器采用分階段獨立訓練方式，訓練順序為先對本地分類器進行訓練，再對本地特征提取器進行訓練；在首次本地訓練輪次中，本地特征提取器與本地分類器僅依據數據驅動的交叉熵損失進行訓練；而在非首次本地訓練中，特征提取器同時受交叉熵損失與全局特征原型損失共同約束，分類器則在交叉熵損失基礎上疊加對抗訓練損失進行優化訓練； S4、各客戶端在完成第一輪本地訓練后，上傳本地信息到服務器前，計算特征提取器的上傳輪次集合，后續輪次不需要重復計算；然后各客戶端重新計算本地特征原型，隨后將以下本地信息上傳至服務器：重新計算的本地特征原型、本地特征提取器、本地分類器、客戶端擁有的總訓練樣本數量以及各類別的訓練樣本數量信息，其中，樣本數量信息僅在第一輪訓練完成后上傳，若當前輪次在上傳輪次集合中，本地特征提取器才上傳；其中，計算特征提取器的上傳輪次集合是指：計算本地特征提取器與本地特征原型參數比值，然后將的倍數從通信輪次中剔除，在這些輪次時，本地特征提取器不進行上傳，進而得到特征提取器上傳輪次集合； S5、服務器分別把類別樣本量和總的樣本量作為聚合權重設定依據，對客戶端上傳的本地特征原型與本地分類器進行聚合，生成全局特征原型與全局分類器；若當前輪次上傳了本地特征提取器，則基于總樣本量進行加權聚合，得到全局特征提取器；之后將聚合信息下發給參與聯邦學習的客戶端； S6、重復步驟S2至S5，直至本地模型收斂，或達到預設的通信輪次數。

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齊魯工業大學(山東省科學院);山東省計算中心(國家超級計算濟南中心)，其通訊地址為：250000 山東省濟南市長清區西部新城大學科技園；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”。