基于联邦学习的医院隐私数据加噪与优化保护方法技术

本发明专利技术公开了基于联邦学习的医院隐私数据加噪与优化保护方法，该方法的步骤如下：医院客户端指定的中央服务器初始化并广播发送全局模型至客户端；客户端在本地使用私有数据集训练本地模型并得到模型梯度数据；客户端对模型梯度数据进行裁剪加噪保护处理；客户端使用噪声优化算法对加噪后的模型梯度参数进行方向优化；客户端将优化后的模型梯度参数上传至服务器；中央服务器对模型梯度参数进行联邦聚合；生成最终经过优化噪声梯度算法保护的模型。本方法在使用传统联邦学习框架的基础上，采用对客户端传输至服务器的参数加噪并优化方法，解决了传统的基于联邦学习框架中提供加噪保护后的模型准确率低的问题。

【技术实现步骤摘要】

本专利技术涉及深度学习与联邦学习的隐私保护。尤其涉及对深度学习与联邦学习所运用的数据集与模型训练过程中产生的相关数据的保护方法。

技术介绍

1、随着人工智能应用的快速发展，现代深度学习技术已经广泛应用于各行各业的领域中。为了提高深度学习模型的训练质量与泛化能力，联邦学习作为一种新星的分布式机器学习被提出，以解决用于训练模型的数据分散在不同场景与设备中的情况，目前以用于医学领域，例如多家医院通过联邦学习框架与使用各自医院自己的隐私数据集共同训练一个预测下次流感人数与分布的模型，其保证了每个参与联邦训练的参与者可以在不与其它参与者和中央服务器共享个人敏感数据的前提下与其它参与训练者共同完成一个深度学习模型任务的训练。具体而言，一个中央服务器为每个客户端提供一个公共模型，每个训练者在本地进行模型训练，然后将本地训练好的模型参数上传至中央服务器用于聚合模型，以代替传统深度学习将所有数据集中在一起用于训练的方式，从而保证了用户个人隐私数据不会与其它参与者或是服务器共享,具体流程如图1所示。

2、然而在联邦学习的技术发展的过程中，一系列安全性问题也被指出。本文档来自技高网...

【技术保护点】

1.基于联邦学习的医院隐私数据加噪与优化保护方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的基于联邦学习的医院隐私数据加噪与优化保护方法，其特征在于：所述步骤(1)具体包括如下子步骤：

3.根据权利要求1所述的基于联邦学习的医院隐私数据加噪与优化保护方法，其特征在于：所述步骤(4)具体包括如下子步骤：

4.根据权利要求1所述的基于联邦学习的医院隐私数据加噪与优化保护方法，其特征在于：所述步骤(5)中还包括：对平均后的梯度数据加入均值为0，标准差为指定噪声大小的噪声值乘上裁剪阈值的高斯噪声，计算公式如下：

5.根据权利要求1所述的基...

【技术特征摘要】

1.基于联邦学习的医院隐私数据加噪与优化保护方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的基于联邦学习的医院隐私数据加噪与优化保护方法，其特征在于：所述步骤(1)具体包括如下子步骤：

3.根据权利要求1所述的基于联邦学习的医院隐私数据加噪与优化保护方法，其特征在于：所述步骤(4)具体包括如下子步骤：

4.根据权利要求1所述的基于联邦学习的医院隐私数据加噪与优化保护方法，其特征在于：所述步骤(5)中还包括：对平均后的梯度数据加入均值为0，标准差为指定噪声大小的噪声值乘上裁剪阈值的高斯噪声，计算公式如下：

5.根...

【专利技术属性】
技术研发人员：伍贤麟，陈渝文，刘豪宇，杨震，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：