公开(公告)号：CN112906911A

公开(公告)日：2021-06-04

申请号：CN202110150143.0

申请日：2021-02-03

Applicant: 厦门大学

Inventor： 范晓亮 ,  高桂春 ,  王铮 ,  王子徽 ,  程明 ,  王程

IPC: G06N20/20

Abstract: 本发明公开了一种联邦学习的模型训练方法、介质及设备，其中方法包括：选取评测客户端；进行模型预训练，以提取评测数据集；根据内部评测训练集进行模型的训练，以生成评测模型，并计算第一损失值；将评测模型广播给各个客户端，并获取第二损失值，以及计算第一累积分布和第二累积分布；计算损失值上限值，并将损失值上限值广播给对应的客户端，以便每个客户端进行噪声过滤，得到客户端网络模型；每个客户端计算质量因子，并将质量因子和客户端网络模型发送给服务器，以便服务器根据质量因子和客户端网络模型进行聚合，得到服务器模型；能够消除潜在的数据偏见，对客户端采集的数据进行有效过滤，提高联邦学习模型的准确度。

公开(公告)号：CN112906911B

公开(公告)日：2022-07-01

申请号：CN202110150143.0

申请日：2021-02-03

Applicant: 厦门大学

Inventor： 范晓亮 ,  高桂春 ,  王铮 ,  王子徽 ,  程明 ,  王程

IPC: G06N20/20

Abstract: 本发明公开了一种联邦学习的模型训练方法、介质及设备，其中方法包括：选取评测客户端；进行模型预训练，以提取评测数据集；根据内部评测训练集进行模型的训练，以生成评测模型，并计算第一损失值；将评测模型广播给各个客户端，并获取第二损失值，以及计算第一累积分布和第二累积分布；计算损失值上限值，并将损失值上限值广播给对应的客户端，以便每个客户端进行噪声过滤，得到客户端网络模型；每个客户端计算质量因子，并将质量因子和客户端网络模型发送给服务器，以便服务器根据质量因子和客户端网络模型进行聚合，得到服务器模型；能够消除潜在的数据偏见，对客户端采集的数据进行有效过滤，提高联邦学习模型的准确度。

公开(公告)号：CN110491499A

公开(公告)日：2019-11-22

申请号：CN201910620638.8

申请日：2019-07-10

Applicant: 厦门大学

Inventor： 范晓亮 ,  高桂春 ,  史佳 ,  吴谨准 ,  俞容山

IPC: G16H50/20 ,  G16H50/70 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出了一种面向标注电子病历的临床辅助决策方法及系统，其中，该方法包括：获取患者的电子病历信息，然后对电子病历信息进行数据预处理，再根据电子病历信息中的诊断结果对每个患者进行加标签，作为每个患者的预测标签，再通过中文自然语言处理技术对电子病历信息中患者的主诉、现病史、体检合格三个特征字段进行处理，从而获得标注为症状的词向量，接着将标注为症状的词向量作为输入，根据预测标签，进行LSTM神经网络训练，以获得辅助决策模型，最后根据当前患者的电子病历和辅助决策模型对当前患者的疾病进行辅助决策。由此，在通过LSTM神经网络训练辅助决策模型前先进行标注，可以更好的提供关键症状信息，从而提高决策的准确率。