联邦学习方法和联邦服务网络技术

本申请涉及一种联邦学习方法和联邦服务网络，其中联邦学习方法实施于联邦服务网络，联邦服务网络包括多个参与方，其中至少一个参与方作为任务发起者，至少一个参与方作为数据提供者，数据提供者具有由至少两台服务器构建的本地服务器集群，各台服务器均具有计算节点和数据缓存节点，各计算节点用于提供算力，各数据缓存节点用于提供目标数据，联邦学习方法包括：数据提供者接收任务发起者对目标数据的共享请求；指定其中一个服务器的计算节点作为任务节点；具有目标数据的数据缓存节点将目标数据预加载于相应服务器的内存池；将目标数据由内存池传输至任务节点执行训练任务；将训练任务的训练结果发送给任务发起者。任务的训练结果发送给任务发起者。任务的训练结果发送给任务发起者。

【技术实现步骤摘要】
联邦学习方法和联邦服务网络


[0001]本申请涉及联邦学习隐私计算领域，特别是涉及一种联邦学习方法和联邦服务网络。

技术介绍

[0002]现代互联网的发展极大的推动了大数据行业的崛起，然而在实际应用的过程中，数据孤岛、数据隐私问题已然成为机构和行业从业者的关注重点。在此背景之下，联邦学习应运而生，这种隐私保护的分布式学习范式，为数据密集型的人工智能应用落地提供了具有实践意义的解决方案。
[0003]智慧医疗在诸多数据密集型人工智能应用之中具有极其重要的地位，现代医疗机构纷纷推动产业升级，实施医疗智能化、数据化改革，对患者的相关数据进行收集并利用人工智能辅助诊断与治疗，国外先进的开源数据集有eICU 等。但在实际的应用场景中，往往面临着三大难题：
[0004]一是患者的数据隐私问题，医疗机构不信任也不被允许将隐私敏感的数据上传到任何第三方服务器，只能接受将数据保留在己方服务器上进行训练，上传脱敏处理后的数据；
[0005]二是医疗机构硬件条件的异质性问题，医疗机构往往不是专业的数据中心，能够提供的计算硬件条件较差且难以统一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.联邦学习方法，实施于包括多个参与方的联邦服务网络，其中至少一个参与方作为任务发起者，至少一个参与方作为数据提供者，其特征在于，所述数据提供者具有由至少两台服务器构建的本地服务器集群，各台服务器均具有计算节点和数据缓存节点，各计算节点用于提供算力，各数据缓存节点用于提供目标数据，所述联邦学习方法包括：所述数据提供者接收所述任务发起者对所述目标数据的共享请求；指定其中一个服务器的计算节点作为任务节点；具有所述目标数据的数据缓存节点将所述目标数据预加载于相应服务器的内存池；将所述目标数据由所述内存池传输至所述任务节点执行训练任务；将所述训练任务的训练结果发送给所述任务发起者。2.根据权利要求1所述的联邦学习方法，其特征在于，至少一部分所述参与方提供共享数据，所述共享数据为去除真实数据值的元数据。3.根据权利要求2所述的联邦学习方法，其特征在于，所述元数据为表示所述真实数据值意义的指示标识。4.根据权利要求1所述的联邦学习方法，其特征在于，所述数据提供者具有管理员，所述管理员根据所述目标数据的共享请求、相应控制所述数据提供者的本地服务器集群，至少包括：获得所述本地服务器集群中所有服务器的算力，指定所述本地服务器集群中当前算力最大服务器的计算节点作为所述任务节点。5.根据权利要求4所述的联邦学习方法，其特征在于，控制所述数据提供者的本地服务器集群，至少包括：检索所述本地服务器集群各服务器中数据缓存节点的存储数据，命令具有所述目标数据的数据缓存节点向所述任务节点传输目标数据。6.根据权利要求1所述的联邦学习方法，其特征在于，所述联邦学习方法还包括:所述数据提供者根据所述目标数据的共享请求，生成数据加载...

【专利技术属性】
技术研发人员：王德健，林博，董科雄，陈宸，
申请(专利权)人：杭州医康慧联科技股份有限公司，
类型：发明
国别省市：