原创力文档- 1、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。。
- 2、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。
- 3、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、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。
- 6、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。
- 7、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
本发明公开了一种基于局部‑全局伪标记的联邦半监督学习方法，步骤S1、在通信轮次t开始时，服务器将全局模型参数传输到活动客户端；每个客户端在接收到参数后再利用全局模型和上一轮通信轮次t‑1中训练得到的本地模型在未标记数据的弱增强视图上生成伪标签，并将其作为本地训练强增强视图的目标用于优化交叉熵损失；S2、本地训练结束后每个客户端将本地模型的参数发回到服务器，服务器聚合这些参数并对其进行微调，最后得到一个新的全局模型上述交替训练过程重复多次至全局模型收敛后结束。
(19)国家知识产权局
(12)发明专利申请
(10)申请公布号CN117216566A
(43)申请公布日2023.12.12
(21)申请号202311189197.3
(22)申请日2023.09.14
(71)申请人西南交通大学
地址610031
文档评论（0）