【技术实现步骤摘要】
一种模型多端协同训练方法、医疗风险预测方法和装置
本申请涉及计算机
，尤其涉及一种模型多端协同训练方法、医疗风险预测方法、装置、计算机设备以及存储介质。
技术介绍
近年来，大数据、云计算、物联网、深度学习和人工智能等数据平台和技术在互联网、金融等领域取得了巨大的进展，广泛应用于用户画像、产品推荐、商业运营等领域，然而这些推荐模型或者预测模型要求有充足的样本数据作为支撑。但样本数据往往属于不同的机构部门，机构部门为了保护自身存储的样本数据的隐私安全，不会将样本数据对外公开，只会在自身存储的样本数据的基础上进行封闭的模型训练。单一机构部门所存储的样本数据的数量有限，而参与模型训练的样本数据的数量会直接决定模型的性能，因此基于少量的样本数据所训练的预测模型的预测准确率低下。
技术实现思路
本申请实施例提供一种模型多端协同训练方法、装置以及相关设备，可以提高预测模型的预测准确率。本申请实施例一方面提供了一种模型多端协同训练方法，应用于服务器，包括：向第一终端发送第一样本模型以...
【技术保护点】
1.一种模型多端协同训练方法，应用于服务器，其特征在于，包括：/n向第一终端发送第一样本模型以及向第二终端发送第二样本模型；/n接收所述第一终端发送的加密第一待更新参数以及接收所述第二终端发送的加密第二待更新参数；所述加密第一待更新参数是所述第一终端根据第一医疗样本数据对所述第一样本模型训练所确定的加密后的待更新参数；所述加密第二待更新参数是所述第二终端根据第二医疗样本数据训练所述第二样本模型所确定的加密后的待更新参数；/n将所述加密第一待更新参数和所述加密第二待更新参数按照预设加密数据处理方式融合为目标参数，将所述目标参数发送至所述第一终端和所述第二终端；所述目标参数用于...
【技术特征摘要】
1.一种模型多端协同训练方法，应用于服务器，其特征在于，包括：
向第一终端发送第一样本模型以及向第二终端发送第二样本模型；
接收所述第一终端发送的加密第一待更新参数以及接收所述第二终端发送的加密第二待更新参数；所述加密第一待更新参数是所述第一终端根据第一医疗样本数据对所述第一样本模型训练所确定的加密后的待更新参数；所述加密第二待更新参数是所述第二终端根据第二医疗样本数据训练所述第二样本模型所确定的加密后的待更新参数；
将所述加密第一待更新参数和所述加密第二待更新参数按照预设加密数据处理方式融合为目标参数，将所述目标参数发送至所述第一终端和所述第二终端；所述目标参数用于更新所述第一样本模型以及所述第二样本模型；
将更新后的第一样本模型以及更新后的第二样本模型确定为预测模型；所述预测模型是用于预测与目标用户的目标医疗数据匹配的医疗风险预测趋势。
2.根据权利要求1所述的方法，其特征在于，所述向第一终端发送第一样本模型以及向第二终端发送第二样本模型，包括：
获取模型训练信息；所述模型训练信息包括模型训练方式和目标样本信息；
当所述模型训练方式是纵向联邦学习时，生成与所述纵向联邦学习方式对应的所述第一样本模型和所述第二样本模型，向所述第一终端发送所述第一样本模型和所述模型训练信息，向所述第二终端发送所述第二样本模型和所述模型训练信息。
3.根据权利要求2所述的方法，其特征在于，所述获取模型训练信息，包括：
获取第一终端的第一原始样本信息和第二终端的第二原始样本信息；所述第一原始样本信息包括至少一个第一用户信息以及至少一个第一医疗特征类别；所述第二样本信息包括至少一个第二用户信息以及至少一个第二医疗特征类别；
确定所述至少一个第一用户信息与所述至少一个第二用户信息之间的用户重叠度，以及确定所述至少一个第一医疗特征类别与所述至少一个第二医疗特征类别之间的特征类别重叠度；
若所述用户重叠度大于用户重叠度阈值，且所述特征类别重叠度小于特征类别重叠度阈值，则确定所述模型训练方式为所述纵向联邦学习方式，将所述至少一个第一用户信息与所述至少一个第二用户信息之间的交集，作为所述目标样本信息，将所述模型训练方式和所述目标样本信息组合为所述模型训练信息。
4.根据权利要求2所述的方法，其特征在于，所述模型训练方式是纵向联邦学习方式；所述加密第一待更新参数和所述加密第二待更新参数属于同态加密数据；所述预设加密数据处理方式是同态解密处理方式；
所述将所述加密第一待更新参数和所述加密第二待更新参数按照预设加密数据处理方式融合为目标参数，包括：
按照所述同态解密处理方式，解密所述加密第一待更新参数，得到针对所述第一样本模型的第一目标参数；
按照所述同态解密处理方式，解密所述加密第二待更新参数，得到针对所述第二样本模型的第二目标参数；
将所述第一目标参数和所述第二目标参数组合为所述目标参数；所述第一目标参数是用于指示所述第一终端更新所述第一样本模型，所述第二目标参数是用于指示所述第二终端更新所述第二样本模型。
5.根据权利要求2所述的方法，其特征在于，还包括：
当所述模型训练方式是横向联邦学习方式时，生成目标样本模型，将所述目标样本模型作为所述第一样本模型和所述第二样本模型，向所述第一终端发送所述第一样本模型和所述模型训练信息，向所述第二终端发送所述第二样本模型和所述模型训练信息。
6.根据权利要求3所述的方法，其特征在于，还包括：
若所述用户重叠度小于用户重叠度阈值，且所述特征类别重叠度大于特征类别重叠度阈值，则确定所述模型训练方式为所述横向联邦学习方式，将所述至少一个第一医疗特征类别与所述至少一个第二医疗特征类别的交集，作为目标样本信息，将所述模型训练方式和所述目标样本信息组合为所述模型训练信息。
7.根据权利要求5所述的方法，其特征在于，所述模型训练方式是横向联邦学习方式；所述加密第一待更新参数和所述加密第二待更新参数属于同态加密数据；所述预设加密数据处理方式是同态叠加处理方式；
所述将所述加密第一待更新参数和所述加密第二待更新参数按照预设加密数据处理方式融合为目标参数，包括：
按照所述同态叠加处理方式，将所述加密第一待更新参数和所述加密第二待更新参数叠加为针对所述第一样本模型以及所述第二样本模型的所述目标参数；所述目标参数属于同态加密数据。
8.一种医疗风险预测方法，应用于服务器，其特征在于，包括：
获取针对目标用户的预测请求，将所述预测请求发送至第一终端和第二终端；所述预测请求用于指示所述第一终端获取所述目标用户的第一目标医疗数据以及指示所述第二终端获取所述目标用户的第二目标医疗数据；
接收所述第一终端返回的基于第一预测模型和所述第一目标医疗数据确定的第一预测分量；
接收所述第二终端返回的基于第二预测模型和所述第二目标医疗数据确定的第二预测分量；所述第一预测模型和所述第二预测模型属于预测模型；所述预测模型是采用如权利要求1-4任一项所述的模型多端协同训练方法训练得到；
将所述第一预测分量和所述第二预测分量合并为与所述第一目标医疗数据和所述第二目标医疗数据匹配的医疗风险预测趋势；
将所述医疗风险预测趋势发送至所述第一终端和所述第二终端。
9.一种模型多端协同训练方法，应用于第一终端，其特征在于，包括：
接收服务器发送的第一样本模型；
获取第一医疗样本数据，根据所述第一医疗样本数据训练所述第一样本模型，确定针对所述第一样本模型的加密第一待更新参数；
将所述加密第一待更新参数发送至所述服务器，以使所述服务器将所述加密第一待更新参数和加密第二待更新参数按照预设加密数据处理方式融合为目标参数；所述加密第二待更新参数是第二终端根据第二医疗样本数据训练服务器发送的第二样本模型所确定的加密后的模型参数；
接收服务器发送的目标参数，根据所述目标参数更新所述第一样本模型；
将更新后的第一样本模型以及更新后的第二样本模型确定为预测模型；所述预测模型是用于预测与目标用户的目标医疗数据匹配的医疗风险预测趋势；所述更新后的第二样本模型是由所述第二终端根据所述目标参数对所述第二样本模型更新后的模型。
10.根据权利要求9所述的方法，其特征在于，所述获取第一医疗样本数据，包括：
接收所述服务器发送的模型...
【专利技术属性】
技术研发人员：赵瑞辉，石维，孙继超，赵博，陈婷，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。