申请/专利权人：北京工业大学

申请日：2023-12-16

公开（公告）日：2024-03-26

公开（公告）号：CN117764199A

主分类号：G06N20/00

分类号：G06N20/00;G06F18/23

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.12#实质审查的生效;2024.03.26#公开

摘要：本发明公开了面向医疗数据异构场景的联邦学习公平性提升方法，包括：参与方在本地基于医疗数据样本调整策略执行本地预训练；医疗云中心服务器基于参与方上传的相似模型参数聚类生成参与方簇；医疗边缘服务器基于公平选择医疗参与方机制进行簇内训练，收集簇内参与方的模型测试准确率并计算簇平均准确率；医疗云中心服务器通过簇平均准确率计算权重并进行全局聚合，下发全局模型参数。引入聚类的思想，考虑异构场景下参与方医疗样本数据量不平衡、群体大小存在差异的更复杂情形，给出自适应医疗数据样本调整策略、公平选择医疗参与方机制，在全局医疗模型聚合方法中引入动态调整策略，降低全局模型在各参与方之间的性能差异提升公平性。

主权项：1.面向医疗数据异构场景的联邦学习公平性提升方法，其特征在于，包括以下步骤：步骤1：基于医疗数据样本调整策略的聚类阶段；1医疗云中心服务器初始化全局医疗模型参数连同样本调整策略s发送给所有参与方n，n＝1,2,…；参与方包括医疗机构和智能医疗终端2参与方n根据医疗数据样本调整策略执行本地预训练得到本地预训练模型参数wn，并将其上传至医疗云中心服务器；3医疗云中心服务器将所有参与方的预训练模型参数wn进行聚类，把参与方之间的模型参数距离作为划分参与方的依据，利用聚类算法将参与方聚类到K个簇中；4医疗云中心服务器为不同簇划分不同的医疗边缘服务器，负责簇内模型训练；步骤2：基于公平选择医疗参与方的簇内训练阶段；1医疗边缘服务器获取医疗云中心服务器聚合得到的上一轮全局模型参数将模型参数发送给每个参与方；2医疗边缘服务器在簇内公平选择参与方进行训练；3医疗边缘服务器将参与方训练产生的模型参数wn利用联邦平均算法聚合，得到簇内模型参数将聚合得到的簇模型参数下发到簇内所有参与方；4如果未达到设定的簇内训练轮次cluster_epoch，则回到步骤2的2继续进行下一轮簇内训练，否则得到簇k的簇模型参数进入下一阶段；步骤3：基于动态调整策略的全局医疗模型聚合阶段；1医疗边缘服务器在簇k内随机选择Na个参与方到集合2被选中的参与方n测试上一轮全局模型在本地数据集上的准确率其中，第一轮采用FedAvg算法根据样本量聚合，从第二轮全局聚合开始采用动态调整策略；3簇内参与方将准确率上传到医疗边缘服务器；4医疗边缘服务器计算簇平均准确率5医疗边缘服务器将簇平均准确率和步骤2中多轮簇内聚合后得到的簇模型参数上传到医疗云中心服务器；6医疗云中心服务器根据簇平均准确率基于动态调整策略聚合簇模型参数，然后将聚合得到的新的全局模型参数下发到医疗边缘服务器；7如果未达到设定的全局训练轮次global_epoch，则回到步骤2继续进行下一轮全局训练，否则终止训练。

全文数据：

权利要求：

百度查询： 北京工业大学 面向医疗数据异构场景的联邦学习公平性提升方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD