欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025110012215
申请人: 南通大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种面向高时空通量医学数据的隐私保护联邦学习方法,其特征在于,包括以下步骤:S10:中央服务器向每个具有高时空通量医学数据的参与客户端广播当前全局模型,各客户端在本地数据集上进行深度模型的训练;

S20:客户端对其模型参数的更新值进行裁剪,根据高斯机制向裁剪后的更新中注入符合零均值、固定方差的高斯噪声;

S30:客户端在训练过程中,通过引入特征对齐损失项,将自身提取的特征与对应类别的全局特征原型进行对齐;

S40:引入Fisher信息矩阵对提取层中的各参数的重要性进行评估,衡量模型对特征的敏感程度,对模型参数进行缩放。

2.根据权利要求1所述的一种面向高时空通量医学数据的隐私保护联邦学习方法,其特征在于,所述步骤S10包括以下步骤:S11:假设有N个医疗机构参与一个具有C类别的分类学习任务,每个机构拥有一个本地临床数据集Dn={x,y},其中表示输入空间中的数据,表示输出空间中对应的标签,最优的全局模型表示为w*,它是所有客户端协同训练的学习目标,每个客户端的权重pn由其数据集的大小决定,计算公式为:该权重满足以下约束条件:函数表示客户端n的损失函数,全局目标函数表示为:S12:在全局学习轮次t时,每个客户端在接收到全局模型后,会对本地模型更新进行裁剪,记为裁剪使用一个裁剪因子C,该因子限制了本地模型参数与全局模型参数之间的更新幅度,更新的公式如下:

3.根据权利要求1所述的一种面向高时空通量医学数据的隐私保护联邦学习方法,其特征在于,所述步骤S20包括以下步骤:S21:参与方在上传更新前向其模型中引入差分隐私DP噪声,其定义为:若一个机制M满足(∈,δ)差分隐私,即对于任意两个相邻的数据集D和D′,相邻数据集是指最多相差一条记录,以及任意输出集合S,有关系公式:Pr[M(D)∈S]≤e∈Pr[M(D′)∈S]+δ  (4)

采用高斯机制以实现隐私保护,每个客户端n向其模型更新中添加高斯噪声,其方式如下,其中σ是噪声倍增因子,I表示一个与模型参数维度相同的单位高斯噪声向量,加噪后的更新表达为:S22:引入高斯机制中的l2范数敏感性,设函数f是从数据集D映射到的函数,D和D′是一对相邻的数据集,该高斯机制的l2范数敏感性定义为:Δ=maxD,D′||f(D)-f(D′)||2   (6)

S23:为了实现(∈,δ)-差分隐私保护机制,客户端在上传模型参数前使用高斯机制注入噪声,根据高斯机制的隐私保证定理,当添加的噪声标准差满足条件σ≥c|Δf|/∈,其中时,机制确保整体满足(∈,δ)-DP。

4.根据权利要求1所述的一种面向高时空通量医学数据的隐私保护联邦学习方法,其特征在于,所述步骤S30包括以下步骤:S31:在每一轮学习中,FedFAF服务器将全局模型w和全局特征在第0轮初始化为0,当接收到w和时,客户端n通过私有数据Dn本地训练模型,并通过最小化以下目标函数F(·)生成最优模型w*:其中(wn,ε,Dn)表示特征统计提取模块用于给定的数据Dn;

S32:引入一个基于该统计量的特征对齐项G(·),以将每个客户端的特征与全局特征对齐,当前场景包含C个类别,客户端将接收C个全局特征并将每个输入与同一类别的全局特征进行对齐,超参数λ用于控制对齐的强度,当本地训练完成后,每个客户端会上传其特征,全局特征通过对相同类别接收到的特征进行平均来更新,形式化表示如下:其中

5.根据权利要求1所述的一种面向高时空通量医学数据的隐私保护联邦学习方法,其特征在于,所述步骤S40包括以下步骤:S41:计算特征提取层wε的Fisher信息值,定义为:

其中t表示全局训练轮次,表示与ε(·)相对应的对数似然函数,Fisher信息矩阵用于量化差分隐私DP噪声的模型特征表示中所包含的信息量;

S42:将计算得到的Fisher信息矩阵映射至有界范围,并刻画特征表示与参数之间的关系,该方法采用以下预处理步骤:S43:通过参数缩放机制,对于每一个参数,其Fisher信息值将与预设的阈值Γ进行比较,决定其缩放比例,形式如下:其中⊙表示Hadamard乘积,τ为缩放因子;

S44:在本地训练结束时,各机构将本地模型参数及类别特征上传至服务器,服务器对所有接收到的本地模型进行融合,生成更新后的全局模型,该全局模型将被再次广播至所有参与方,用以启动下一轮的训练过程,直到达到预设的最大轮数后输出各客户端训练准确率。