【技术实现步骤摘要】
本专利技术属于数据处理，具体涉及一种拜占庭攻击鲁棒的联邦电子健康档案表型提取方法。
技术介绍
1、由实体网络如医院、诊所、药房公司编织而成的现代医疗保健系统正在从具有各种医疗程序、药物、诊断和实验室测试的大量个人那里收集电子健康记录。张量分解具有良好的高维数据表示能力，为了从更高数量的关系电子健康记录中提取有意义的医学概念即表型，其被应用于表型提取中。candecomp/parafac或规范多元张量分解及其泛化gtf是分析张量的基本工具，然而，最基本的cp分解模型难以对大型数据集进行高效的分解，分布式张量分解方法才可处理单台机器无法处理的大张量。但是，在分布式环境中需要进行数据共享和交换，由于涉及隐私问题，这通常会受到政策的阻碍。
2、目前，联邦学习为不同实体之间的协作学习提供了一种隐私保护方式，联邦张量分解方法避免了共享原始张量和患者模式的相关变量，成为分布式数据在隐私保护方面更好的dtf范式，同时能够保持与之相当的计算能力和存储可扩展性。然而，联邦学习需要执行客户端和服务器之间的通信操作，在联邦计算表型分析中，由于属性的...
【技术保护点】
1.一种拜占庭攻击鲁棒的联邦电子健康档案表型提取方法，其特征在于，应用于K个客户端，所述客户端包括正常客户端和拜占庭客户端；
2.根据权利要求1所述的拜占庭攻击鲁棒的联邦电子健康档案表型提取方法，其特征在于，所述根据所述时间采样序列中的当前索引，判断因子矩阵是否被选中的步骤，包括：
3.根据权利要求2所述的拜占庭攻击鲁棒的联邦电子健康档案表型提取方法，其特征在于，若因子矩阵被选中，所述根据第一目标函数计算被选中的因子矩阵的随机梯度的步骤之后，还包括：
4.根据权利要求2所述的拜占庭攻击鲁棒的联邦电子健康档案表型提取方法，其特征在于，...
【技术特征摘要】
1.一种拜占庭攻击鲁棒的联邦电子健康档案表型提取方法，其特征在于，应用于k个客户端，所述客户端包括正常客户端和拜占庭客户端；
2.根据权利要求1所述的拜占庭攻击鲁棒的联邦电子健康档案表型提取方法，其特征在于，所述根据所述时间采样序列中的当前索引，判断因子矩阵是否被选中的步骤，包括：
3.根据权利要求2所述的拜占庭攻击鲁棒的联邦电子健康档案表型提取方法，其特征在于，若因子矩阵被选中，所述根据第一目标函数计算被选中的因子矩阵的随机梯度的步骤之后，还包括：
4.根据权利要求2所述的拜占庭攻击鲁棒的联邦电子健康档案表型提取方法，其特征在于，当选中的因子矩阵为诊断因子矩阵或用药因子矩阵时，所述正常客户端利用被选中的因子矩阵的随机梯度和反馈误差计算得到第一梯度后，根据服务器发送的第二梯度更新下一索引选中的因子矩阵、并根据第一梯度更新下一索引选中的因子矩阵的反馈误差的...
【专利技术属性】
技术研发人员：张水晶，娄坚，刘静，
申请(专利权)人：西安电子科技大学广州研究院，
类型：发明
国别省市：
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。