買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉飛馬智科信息技術(shù)股份有限公司申請(qǐng)的專利一種基于聯(lián)邦學(xué)習(xí)的差分隱私圖像分類方法及裝置獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN115527061B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-08-08發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202211087736.8，技術(shù)領(lǐng)域涉及：G06V10/764；該發(fā)明授權(quán)一種基于聯(lián)邦學(xué)習(xí)的差分隱私圖像分類方法及裝置是由何詩(shī)興;凌晨;周道付;檀長(zhǎng)松;薛明磊;張楓設(shè)計(jì)研發(fā)完成，并于2022-09-07向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種基于聯(lián)邦學(xué)習(xí)的差分隱私圖像分類方法及裝置在說(shuō)明書摘要公布了：本發(fā)明公開(kāi)了一種基于聯(lián)邦學(xué)習(xí)的差分隱私圖像分類方法及裝置。所述方法包括：通過(guò)本地圖像集及自適應(yīng)梯度下降算法及隨機(jī)梯度下降算法進(jìn)行局部模型訓(xùn)練；在自適應(yīng)梯度下降算法中設(shè)置動(dòng)態(tài)學(xué)習(xí)率取值范圍為[ηl,ηu]；其中，取值上界ηu＝r+α*，取值下界ηl＝α*；r為標(biāo)準(zhǔn)化一階動(dòng)量估計(jì)，α*為最終學(xué)習(xí)率；基于上述訓(xùn)練結(jié)果獲取局部參數(shù)及所述局部參數(shù)與上一輪全局參數(shù)的參數(shù)差值，并將稀疏化處理的所述參數(shù)差值發(fā)送給服務(wù)器用于聚合并形成添加差分隱私噪聲的全局參數(shù)；獲取所述全局參數(shù)以更新局部模型；重復(fù)上述過(guò)程至得到最優(yōu)化局部模型，并通過(guò)其對(duì)待分類圖像進(jìn)行處理。本發(fā)明可保證模型收斂至全局最優(yōu)，并使其獲得良好泛化能力，且利用差分隱私噪聲有效避免了模型反推。

本發(fā)明授權(quán)一種基于聯(lián)邦學(xué)習(xí)的差分隱私圖像分類方法及裝置在權(quán)利要求書中公布了：1.一種基于聯(lián)邦學(xué)習(xí)的差分隱私圖像分類方法，其特征在于，包括： 步驟S102，通過(guò)本地圖像集并按照自適應(yīng)梯度下降算法及隨機(jī)梯度下降算法進(jìn)行局部模型的訓(xùn)練；其中，在所述自適應(yīng)梯度下降算法中設(shè)置動(dòng)態(tài)學(xué)習(xí)率的取值范圍為[ηl,ηu]以實(shí)現(xiàn)所述自適應(yīng)梯度下降算法與所述隨機(jī)梯度下降算法間的自動(dòng)切換； 其中，對(duì)局部模型的訓(xùn)練包括如下步驟： 計(jì)算第t輪迭代目標(biāo)函數(shù)的梯度其中，wt-1為第t-1輪的權(quán)重矩陣，ft為目標(biāo)函數(shù)，w為權(quán)重矩陣； 基于所述梯度gt計(jì)算第t輪的一階動(dòng)量估計(jì)mt＝β1mt-1+1-β1gt，及二階動(dòng)量估計(jì)Vt＝β2Vt-1+1-β2gt 2；其中，β1和β2為超參數(shù)，mt-1為第t-1輪的一階動(dòng)量估計(jì)，Vt-1為第t-1輪的二階動(dòng)量估計(jì)； 通過(guò)計(jì)算一階動(dòng)量估計(jì)偏置校正值，通過(guò)計(jì)算二階動(dòng)量估計(jì)偏置校正值；并通過(guò)計(jì)算標(biāo)準(zhǔn)化一階動(dòng)量估計(jì)；其中，和是超參數(shù)； 通過(guò)ηu＝r+α*得到所述取值上界ηu，并通過(guò)ηl＝α*得到所述取值下界ηl；其中，r為標(biāo)準(zhǔn)化一階動(dòng)量估計(jì)，α*為最終學(xué)習(xí)率； 步驟S104，基于局部模型的訓(xùn)練結(jié)果獲取本輪局部參數(shù)以及本輪局部參數(shù)與上一輪全局參數(shù)的參數(shù)差值；所述本輪局部參數(shù)為其中，wt-1為上一輪的局部參數(shù)，為本輪一階動(dòng)量估計(jì)偏置校正值，η'為裁剪學(xué)習(xí)率； 步驟S106，將稀疏化處理的所述參數(shù)差值發(fā)送給服務(wù)器用于聚合并形成添加有差分隱私噪聲的全局參數(shù)；其中，將稀疏化處理的所述參數(shù)差值發(fā)送給服務(wù)器包括：首先，基于top-k稀疏化算法獲取參數(shù)差值中的非零元素；其次，基于sign函數(shù)將所述非零元素量化為三元張量；然后，將與所述三元張量對(duì)應(yīng)的二進(jìn)制消息發(fā)送給服務(wù)器； 步驟S108，獲取所述全局參數(shù)以更新所述局部模型；其中，所述全局參數(shù)基于獲得；其中，Mt+1為第t+1輪的全局模型，Mt為第t輪的全局模型，K為客戶端個(gè)數(shù)，NGSσ2S2為差分隱私噪聲，為縮放后的所述參數(shù)差值，其中，mk為第k個(gè)客戶端的局部模型，||·||2為歐氏距離，S為隨機(jī)算法的每一組輸出； 步驟S110，依次重復(fù)步驟S102～步驟S108直至得到最優(yōu)化的局部模型； 步驟S112，通過(guò)所述最優(yōu)化的局部模型對(duì)待分類的圖像進(jìn)行圖像分類處理。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人飛馬智科信息技術(shù)股份有限公司，其通訊地址為：243000 安徽省馬鞍山市雨山區(qū)湖南西路8號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。