受让单位：东莞市华旭电气有限公司

  拟成交交易额：200.0万元

  定价方式：协议定价

  成果简介：成果简介 技术原理及性能指标（附图）（1）技术原理： 本发明提出一种适用于不同模型分割算法的异构联邦忘却学习方法，用于在不重新训练全局模型的情况下，实现对指定参与者数据影响的高效移除，主要步骤如下：忘却请求触发：忘却参与者向中央服务提交忘却请求后，服务器综合考虑忘却参与者的硬件性能、计算资源并分发忘却参与者最大承担的子模型。软负软标签生成：忘却参与者基于其子模型进行额外训练，生成反向软标签 ，并将其广播至其余参与者。忘却约束构建：其余参与者接收反向软标签，构建包含忘却约束的蒸馏损失函数，以削弱模型中与待忘却参与者相关的知识表示。本地模型更新：各参与者基于所述损失函数对本地子模型进行训练更新，并将更新后的模型参数上传至服务器。 差分注意力聚合：服务器对各子模型执行基于差分注意力的正则化聚合，通过参数偏差计算、剩余模型构建及注意力权重分配，对全局模型进行去偏更新。 （2）性能指标（基于实施例数据）：忘却任务完成后全局模型性能下降：≤5%忘却精准度：高于重训练忘却精准度：≥10%完成忘却任务时间消耗：相较于重训练提速：≥1.5χ模型训练迭代次数：有限轮次内稳定收敛：≤100轮 图1为本发明方法的流程图 技术优势 高效的忘却实现机制：在无需重新训练全局模型的前提下，实现对指定参与者数据影响的有效消除，显著降低时间与计算成本。 优良的性能保持能力：在执行忘却操作的同时，能够保持模型整体预测性能稳定，避免精度显著下降。 可靠的忘却约束机制：基于反向软标签与蒸馏约束构建忘却过程，有效削弱目标参与者对模型的贡献。 可靠的忘却约束机制：基于反向软标签与蒸馏约束构建忘却过程，有效削弱目标参与者对模型的贡献 自适应的参数聚合策略：引入差分注意力的正则化聚合方法，实现对模型参数的精细调控。 低开销的系统实现方式:通过子模型级别的更新与通信，减少计算与通信资源消耗，提高整体系统效率。 适用范围 本发明适用于以下场景： 智能终端协同学习场景 在移动设备、智能穿戴设备等终端参与的联邦学习系统中，当设备退出或数据需删除时，可实现对应模型贡献的精准消除。 金融风控与信用评估场景 在银行、信贷或保险建模过程中，当客户数据需按监管要求删除时，可在不影响整体模型性能的前提下完成忘却操作。 医疗健康数据建模场景 在医疗影像分析或健康数据建模中，当患者撤回数据使用授权时，可用于消除相关数据对模型的影响，满足隐私合规要求。 车联网与自动驾驶场景 在车联网协同学习或自动驾驶模型训练中，当车辆节点退出或数据需更新时，可用于动态移除历史数据贡献。 工业物联网场景 在工业设备预测维护或质量检测模型中，当部分设备数据失效或需剔除时，可实现对应数据影响的高效移除。应用情况 本发明已在某大型光伏电站中完成初步验证： 系统共接入光伏子阵列节点 120个，每个子阵列对应1个边缘计算节点，共部署边缘计算单元 120台；云端部署1套中央聚合服务器用于全局模型管理与忘却调度。 各节点采集历史运行数据，包括逆变器输出功率、电压、电流及环境气象数据等，整体训练数据规模约为 3.2×10⁷ 条记录，数据采样周期为5分钟。 全局模型采用多层神经网络结构，各子模型参数规模约为 1.5×10⁶～3×10⁶ 参数量级，根据模型分割策略动态划分。 实现了光伏电站多源异构数据的分布式协同建模，建立设备级数据贡献的快速可撤销机制，保证模型预测性能的稳定。目前，该方法正在向多个区域光伏电站推广，具备良好的工程落地能力。获奖情况无

  公示时间： 2026年04月20日 至 2026年05月04日

1

基于异构联邦忘却的系统级数据交易管理系统软件

软件著作权

计算机科学与技术学院

2026SR0552451

大连理工大学

范光杰（学）;苏展;张强