【技术实现步骤摘要】
本专利技术涉及智能医疗，更具体地，涉及一种联邦学习和大小模型协同的跨模态知识融合计算方法、系统、设备、计算机可读存储介质。
技术介绍
1、在当今数字化时代，医疗保健行业正在经历一场由大数据驱动的变革。随着医疗技术的快速发展，产生了大量的医疗数据，包括电子健康记录、临床试验数据、医疗影像、生理监测数据以及众多的医学研究数据库和文献。这些数据的有效利用对于改善医疗服务质量、促进精准医疗和提高医疗决策的准确性至关重要。然而，医疗数据的处理和分析面临着几个主要挑战。首先，医疗数据通常包含敏感的个人信息，因此其处理和分析必须严格遵守隐私保护的法律和道德标准。其次，医疗数据的异构性较高，即数据来自不同的源，以不同的格式存在，这给数据整合和分析带来了复杂性。此外，医疗数据量通常非常庞大，这要求有高效的数据处理和分析方法来处理这些数据。最后，医疗数据的敏感性和重要性要求在处理和分析过程中必须有极高的数据安全性。传统的医疗数据处理方法往往依赖于将数据集中到一个中心化的位置进行处理。这种方法不仅存在隐私泄露的风险，而且在处理大规模数据时效率较低。因此，近年...
【技术保护点】
1.一种基于联邦学习和大小模型协同的跨模态知识融合计算方法，其特征在于，所述联邦学习由中央服务器和n个本地客户端组成，n为大于1的自然数，所述方法包括：
2.根据权利要求1所述的一种基于联邦学习和大小模型协同的跨模态知识融合计算方法，其特征在于，所述参数提供客户端根据所述单位时间奖励确定为联邦学习的训练任务提供的计算能力的过程基于参数提供客户端设置的所述单位时间奖励和参数提供客户端的硬件配置计算得到的。
3.根据权利要求2所述的一种基于联邦学习和大小模型协同的跨模态知识融合计算方法，其特征在于，所述参数提供客户端根据所述单位时间奖励确定为联邦学...
【技术特征摘要】
1.一种基于联邦学习和大小模型协同的跨模态知识融合计算方法，其特征在于，所述联邦学习由中央服务器和n个本地客户端组成，n为大于1的自然数，所述方法包括：
2.根据权利要求1所述的一种基于联邦学习和大小模型协同的跨模态知识融合计算方法，其特征在于，所述参数提供客户端根据所述单位时间奖励确定为联邦学习的训练任务提供的计算能力的过程基于参数提供客户端设置的所述单位时间奖励和参数提供客户端的硬件配置计算得到的。
3.根据权利要求2所述的一种基于联邦学习和大小模型协同的跨模态知识融合计算方法，其特征在于，所述参数提供客户端根据所述单位时间奖励确定为联邦学习的训练任务提供的计算能力的过程表示为：
4.根据权利要求1所述的一种基于联邦学习和大小模型协同的跨模态知识融合计算方法，其特征在于，所述参数接收客户端根据最大化自身的接收客户端效用为参数提供客户端设置单位时间奖励的过程表示为根据参数提供客户端的计算性能、参数提供客户端kv参与模型训练任务需要的总计算代价、参数提供客户端kv参与联邦学习获得的奖励计算得到。
5.根据权利要求4所述的一种基于联邦学习和大小模型协同的跨模态知识融合计算方法，其特征在于，所述参数接收客户端根据最大化自身的接收客户端效用为参数提供客户端设置单位时间奖励的过程表示为：
6.根据权利要求1所述的一种基于联邦学习和大小模型协同的跨模态知识融合计算方法，其特征在于，所述接收客户端效用是参数接收客户端参与联邦学习获得的奖励与参数接收客户端支付给参数提供客户端的奖励之差。
7.根据权利...
【专利技术属性】
技术研发人员：何昆仑，孙宇慧，
申请(专利权)人：中国人民解放军总医院，
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。