一种建立数据分析模型的方法技术

本发明专利技术提供一种建立数据分析模型的方法，包括基于当前的用户数据，在服务器端采用深度神经网络学习和预训练初始云模型，并将初始云模型下发给不同的用户；用户根据自身数据特性，基于接收到的云模型构建其自身用户模型同时采用深度神经网络学习和训练，并将训练后的用户模型回传给服务器；服务器将接收到的用户模型基于预设的周期进行融合，得到新的云模型；用户基于接收到的新的云模型，调整其自身用户模型同时采用深度神经网络学习和训练，并将训练后的用户模型回传给服务器。基于本发明专利技术方法构建的模型框架可以通过结合联邦学习和同态加密技术，可以解决数据孤岛和个性化的问题，通过汇总来自不同组织机构的数据，构建强大的机器学习模型，同时还能保护用户的隐私。

A method of building data analysis model

【技术实现步骤摘要】
一种建立数据分析模型的方法
本专利技术涉及数据分析领域，尤其涉及可穿戴健康监护领域，具体地说，涉及一种建立不同用户数据共享模型的方法，更具体地说，涉及一种建立数据分析模型的方法。
技术介绍
近年来，随着计算技术的快速发展，基于智能手机，腕带和智能眼镜等可穿戴设备的可穿戴技术能够帮助人们更加了解自己的健康状况。日常行为活动与人们的健康密切相关，可能是某些认知疾病的早期信号。例如，步态的改变可能导致小血管疾病或中风。经研究发现，通过佩戴传感器监测用户的活动，可以识别日常行为活动。这些可穿戴设备可以轻松访问人们的健康信息，包括行为活动、睡眠、运动等。已有的研究表明，基于可穿戴技术的健康监护能够为几种认知疾病提供早期预警，例如帕金森氏症，脑小血管疾病等，同时也可应用在其他包括心理健康评估、跌倒检测、体育运动监测等领域。事实上，随着技术的不断进步，基于可穿戴技术的可穿戴健康监护的应用趋势越来越明显。然而值得注意的是，传统的健康监护应用通常通过聚合所有用户数据来构建模型。但是，在实际应用中，数据通常是孤立的，并且由于隐私问题而无法轻松共享，而且，构本文档来自技高网...

【技术保护点】
1.一种建立数据分析模型的方法，其特征在于，包括/nS1、基于当前的用户数据，在服务器端采用深度神经网络学习和预训练初始云模型，并将初始云模型下发给不同的用户；/nS2、用户根据自身数据特性，基于接收到的云模型构建其自身用户模型同时采用深度神经网络学习和训练，并将训练后的用户模型回传给服务器；/nS3、服务器将接收到的用户模型基于预设的周期进行融合，得到新的云模型。/n

【技术特征摘要】
1.一种建立数据分析模型的方法，其特征在于，包括
S1、基于当前的用户数据，在服务器端采用深度神经网络学习和预训练初始云模型，并将初始云模型下发给不同的用户；
S2、用户根据自身数据特性，基于接收到的云模型构建其自身用户模型同时采用深度神经网络学习和训练，并将训练后的用户模型回传给服务器；
S3、服务器将接收到的用户模型基于预设的周期进行融合，得到新的云模型。


2.根据权利要求1所述的一种建立数据分析模型的方法，其特征在于，还包括：
S4、用户基于接收到的新的云模型，调整其自身用户模型同时采用深度神经网络学习和训练，并将训练后的用户模型回传给服务器，重复执行步骤S3。


3.根据权利要求2所述的一种建立数据分析模型的方法，其特征在于，在训练初始云模型的过程中，以优化云模型损失函数为训练目标，其中，损失函数为：




表示服务器端汇总的带标签的数据样本，n表示数据样本总数，i表示第i个数据样本，x表示数据样本，y表示这个数据样本对应的类别标签，fs表示服务器端云模型。


4.根据权利要求1所述的一种建立数据分析模型的方法，其特征在于，所述步骤S2中，在训练用户个性化模型过程中，以优化用户个性化模型损失函数为训练目标，其中，损失函数为：




表示用户产生的数据，n表示数据样本总数，i表示第i个数据样本，x表示数据样本，y表示这个数据样本对应的类别标签，fu表示用户模型。


5.根据权利要求2所述的一种建立数据分析模块的方法，其特征在于，所述步骤S4中基于接收到的云模型调整其自身用户模型是指，固定云模型前四层参数，在云模型与用户模型的第二个全连接层的输出之间进行特征对齐以实现调整用户模型。

<...

【专利技术属性】
技术研发人员：陈益强，于超辉，王晋东，秦欣，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：北京;11