-
公开(公告)号：CN115811402B
公开(公告)日：2023-05-30
申请号：CN202211417761.8
申请日：2022-11-14
申请人： 吉林大学
摘要： 本发明公开了一种基于隐私保护联邦学习的医疗数据分析方法及存储介质，属于医疗系统数据分析技术领域，本发明提出了一种针对医疗领域联邦学习中的隐私安全问题和模型投毒攻击问题进行联合解决的方法，在本发明中，零知识证明和数据相似度算法用来保证客户端模型的有效性，同态加密算法用于多个客户端协商生成随机掩码向量，该随机掩码向量用于保护客户端的隐私安全。该方法同时保证了联邦学习系统中的隐私安全性和模型安全性，同时不会引入过多的开销，在医疗领域具有现实意义和良好的应用前景。
-
公开(公告)号：CN116936048B
公开(公告)日：2024-03-19
申请号：CN202310808640.4
申请日：2023-07-04
申请人： 吉林大学
IPC分类号： G16H40/20 , G06F18/2431 , G06N3/0464 , G06N3/098
摘要： 本发明公开了一种异构医疗信息的联邦学习医院选择方法、设备及存储介质，属于医疗系统数据分析技术领域，所述方法应用于电子设备，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方面提供的基于妇产科异构医疗信息的联邦学习医院选择方法的各步骤。所述方法通过计算各医院本地计算和通信速度，并通过准确率将医院分类进行不均匀采样的方式，打破了传统联邦学习全部客户端参与训练或均匀抽样的方式，同时考虑了资源异构性和数据异构性，加快训练速度，减少通信轮数，并且可以获得更好的模型精度，在以后使用新的疾病影像进行诊断时，可以提高对疾病分类判断的准确性，减少误诊率，增加各医院医生的诊断效率。
-
公开(公告)号：CN115759248B
公开(公告)日：2023-06-13
申请号：CN202211382038.0
申请日：2022-11-07
申请人： 吉林大学
摘要： 本发明提出了一种基于去中心混合联邦学习的金融系统分析方法及存储介质，属于金融领域，该方法构建了异构金融参与方之间的联邦学习通信方式，实现了横向和纵向混合的联邦学习通信，打破了传统联邦学习横向和纵向参与方之间模型结构不统一的通信壁垒。基于金融体系的特殊性隐私需求，在混合联邦学习模型的基础上进一步去除了第三方聚合器，计算只在参与方之间进行，大大提高了本地数据的隐私安全性。针对上述模型中纵向同态加密为通信过程带来的计算速度瓶颈问题，通过增加本地迭代轮次q，将纵向联邦学习的加密时间缩短了10倍以上，降低了横向银行参与方与纵向金融机构参与方间的计算瓶颈，并且精度损失不超过5％。
-
公开(公告)号：CN115811402A
公开(公告)日：2023-03-17
申请号：CN202211417761.8
申请日：2022-11-14
申请人： 吉林大学
摘要： 本发明公开了一种基于隐私保护联邦学习的医疗数据分析方法及存储介质，属于医疗系统数据分析技术领域，本发明提出了一种针对医疗领域联邦学习中的隐私安全问题和模型投毒攻击问题进行联合解决的方法，在本发明中，零知识证明和数据相似度算法用来保证客户端模型的有效性，同态加密算法用于多个客户端协商生成随机掩码向量，该随机掩码向量用于保护客户端的隐私安全。该方法同时保证了联邦学习系统中的隐私安全性和模型安全性，同时不会引入过多的开销，在医疗领域具有现实意义和良好的应用前景。
-
公开(公告)号：CN115759248A
公开(公告)日：2023-03-07
申请号：CN202211382038.0
申请日：2022-11-07
申请人： 吉林大学
摘要： 本发明提出了一种基于去中心混合联邦学习的金融系统分析方法及存储介质，属于金融领域，该方法构建了异构金融参与方之间的联邦学习通信方式，实现了横向和纵向混合的联邦学习通信，打破了传统联邦学习横向和纵向参与方之间模型结构不统一的通信壁垒。基于金融体系的特殊性隐私需求，在混合联邦学习模型的基础上进一步去除了第三方聚合器，计算只在参与方之间进行，大大提高了本地数据的隐私安全性。针对上述模型中纵向同态加密为通信过程带来的计算速度瓶颈问题，通过增加本地迭代轮次q，将纵向联邦学习的加密时间缩短了10倍以上，降低了横向银行参与方与纵向金融机构参与方间的计算瓶颈，并且精度损失不超过5％。
-
公开(公告)号：CN116936048A
公开(公告)日：2023-10-24
申请号：CN202310808640.4
申请日：2023-07-04
申请人： 吉林大学
IPC分类号： G16H40/20 , G06F18/2431 , G06N3/0464 , G06N3/098
摘要： 本发明公开了一种异构医疗信息的联邦学习医院选择方法、设备及存储介质，属于医疗系统数据分析技术领域，所述方法应用于电子设备，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方面提供的基于妇产科异构医疗信息的联邦学习医院选择方法的各步骤。所述方法通过计算各医院本地计算和通信速度，并通过准确率将医院分类进行不均匀采样的方式，打破了传统联邦学习全部客户端参与训练或均匀抽样的方式，同时考虑了资源异构性和数据异构性，加快训练速度，减少通信轮数，并且可以获得更好的模型精度，在以后使用新的疾病影像进行诊断时，可以提高对疾病分类判断的准确性，减少误诊率，增加各医院医生的诊断效率。
-
-
-
-
-
搜索结果
6 条记录 (耗时 0.041 秒)