-
公开(公告)号：CN113762525B
公开(公告)日：2024-04-05
申请号：CN202111040480.0
申请日：2021-09-07
Applicant: 桂林理工大学
Abstract: 本发明公开了一种具有差分隐私保护的联邦学习模型训练方法，所述具有差分隐私保护的联邦学习模型训练方法如图1所示，包括如下步骤：建立模型和终端的连接，选择学习模型，建立模型与终端服务器的联系；模型的区分与分发，对模型进行样本级别和用户级别的区分，终端服务器将区分后的模型按照标准选择参与本轮联邦学习的设备；进行本地训练；建立隐私保护；更新全局模型；监控和反馈，数据备份记录。将模型分类进行差分隐私保护，提高对数据的保护效果；监控和反馈模块，监测数据是否存在隐私泄露，减少信息的泄露，便于隐私保护机制的维护和更新；数据备份，避免终端掉线影响数据的传输，提高训练效果。
-
公开(公告)号：CN113870994A
公开(公告)日：2021-12-31
申请号：CN202111040491.9
申请日：2021-09-07
Applicant: 桂林理工大学
Abstract: 本发明提供了一种基于边缘计算和联邦学习的智慧医疗系统，利用医疗传感器等边缘设备进行医疗数据采集，将采集后的数据保存在本地边缘服务器。边缘服务器利用路由器等网络设备组成中心化的环状边缘网络，使用主成分分析法和方差分析法对本地数据进行处理分析和使用卷积神经网络CNN算法进行模型训练。各医疗机构将本地训练好的模型梯度上传联邦服务器，联邦服务器使用联邦平均算法对模型梯度进行聚合处理并返回新的模型梯度，各医疗机构根据新的模型梯度进行本地模型更新。通过不断迭代，使得医疗模型效果不断提升。以此在保护数据安全和隐私的同时，实现更好的智慧医疗服务。
-
公开(公告)号：CN113762525A
公开(公告)日：2021-12-07
申请号：CN202111040480.0
申请日：2021-09-07
Applicant: 桂林理工大学
Abstract: 本发明公开了一种具有差分隐私保护的联邦学习模型训练方法，所述具有差分隐私保护的联邦学习模型训练方法如图1所示，包括如下步骤：建立模型和终端的连接，选择学习模型，建立模型与终端服务器的联系；模型的区分与分发，对模型进行样本级别和用户级别的区分，终端服务器将区分后的模型按照标准选择参与本轮联邦学习的设备；进行本地训练；建立隐私保护；更新全局模型；监控和反馈，数据备份记录。将模型分类进行差分隐私保护，提高对数据的保护效果；监控和反馈模块，监测数据是否存在隐私泄露，减少信息的泄露，便于隐私保护机制的维护和更新；数据备份，避免终端掉线影响数据的传输，提高训练效果。
-
-
Search Results
3
records
(took 0.017 seconds)
