原创力文档- 1、本文档共10页，其中可免费阅读9页，需付费10金币后方可阅读剩余内容。
- 2、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。
- 3、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
- 4、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
本发明提出一种基于联邦学习的在线学习方法、系统、计算机设备及介质，解决了因当前用户终端采集数据的质量和数量参差不齐，导致联邦学习得到的模型泛化能力差的问题，本申请基于联邦学习，将采集的数据保存在在用户终端本身，防止了数据泄露的问题，每个用户终端利用持续采集的数据对接收到的全局模型进行在线学习训练，将持续采集的数据加入到训练之中，新数据整合成一个数据训练批后即加入全局模型进行训练，提高了数据量，提升了联邦学习的模型泛化能力。
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 CN 113743616 A
(43)申请公布日 2021.12.03
(21)申请号 202110865716.8
(22)申请日 2021.07.29
(71)申请人 中山大学
地址 51
文档评论（0）