【技术实现步骤摘要】
本专利技术涉及异构数据下的联邦学习，特别涉及一种在隐私保护约束下分布式数据资源的联邦学习方法、装置、计算机设备和存储介质。
技术介绍
1、现如今，基于机器学习的人工智能技术越来越得到人们的青睐，但其在使用时往往严重依赖于大量的训练数据；然而，在实际应用中，如在医疗健康领域中，数据往往分布在数百万甚至数十亿个个人或互联网设备上，并且将分布式数据收集到集中式存储设备中是昂贵和耗时的；此外，在医疗健康领域中，由于隐私问题或法律法规的限制，分散的数据是不允许被直接共享，例如，各大医院和争夺可能拥有大量宝贵的医疗数据，但由于隐私和安全问题，无法直接进行数据交换和集中处理；这种情况限制了医疗领域中人工智能技术的发展和应用，这就迫切地需要一种能够在保护数据隐私的前提下，充分利用分布式数据资源的解决方案。
2、联邦学习是一种分布式的机器学习范式，它允许多个客户端（如医疗机构）在隐私保护的前提下进行协作训练，并且只需要共享模型权重或梯度信息；联邦学习打破了在隐私保护约束下不同客户（例如地区和行业）之间的数据障碍，有效地解决了“数据孤岛”问题，...
【技术保护点】
1.一种在隐私保护约束下分布式数据资源的联邦学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种在隐私保护约束下分布式数据资源的联邦学习方法，其特征在于，所述获得全局类原型，包括：
3.根据权利要求1所述的一种在隐私保护约束下分布式数据资源的联邦学习方法，其特征在于，所述客户端原型之间的欧式距离的获取方式为：
4.根据权利要求1所述的一种在隐私保护约束下分布式数据资源的联邦学习方法，其特征在于，所述获得客户端之间的相似性，包括：
5.根据权利要求1所述的一种在隐私保护约束下分布式数据资源的联邦学习方法，其特...
【技术特征摘要】
1.一种在隐私保护约束下分布式数据资源的联邦学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种在隐私保护约束下分布式数据资源的联邦学习方法，其特征在于，所述获得全局类原型，包括：
3.根据权利要求1所述的一种在隐私保护约束下分布式数据资源的联邦学习方法，其特征在于，所述客户端原型之间的欧式距离的获取方式为：
4.根据权利要求1所述的一种在隐私保护约束下分布式数据资源的联邦学习方法，其特征在于，所述获得客户端之间的相似性，包括：
5.根据权利要求1所述的一种在隐私保护约束下分布式数据资源的联邦学习方法，其特征在于，所述获得客户端本地模型的置信...
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。