公开(公告)号：CN120030328A

公开(公告)日：2025-05-23

申请号：CN202510148222.6

申请日：2025-02-11

Applicant: 浙江工商大学

Inventor： 方毅立 ,  张凯 ,  韩焘 ,  马希骜 ,  丁鑫怡

IPC: G06F18/213 ,  G06F18/23213 ,  G06N3/045 ,  G06N3/048 ,  G06N3/098

Abstract: 本发明公开了一种基于条件计算的个性化联邦学习降维方法及系统。本发明首先选择一种具有足够灵活性和表达能力的降维模型，所述降维模型能够在每个客户端上学习和捕捉高维患者数据的个性化特征；其次通过所述降维模型对原始患者数据特征进行特征提取，将高维数据映射到低维空间中；然后将低维数据特征进一步转换为全局特征和个性化特征；最后利用全局特征和个性化特征对模型进行训练，通过客户端之间的协同学习和服务器端的聚合操作，优化模型性能，直到模型收敛为止。本发明以自编码器模型为基础降维模型，通过将原始患者数据特征转换为全局特征和个性化特征，客户端协同学习全局特征和个性化特征从而达到个性的目的。

公开(公告)号：CN118535891A

公开(公告)日：2024-08-23

申请号：CN202410511379.6

申请日：2024-04-26

Applicant: 浙江工商大学

Inventor： 方毅立 ,  张凯 ,  韩焘 ,  丁鑫怡 ,  马希骜

IPC: G06F18/213 ,  G06N3/0455 ,  G06N3/084 ,  G06N3/098

Abstract: 本发明公开了一种面向联邦学习的个性化降维方法、设备、存储介质。本发明将自编码器作为降维工具。首先构建合适的降维模型；确保模型能够在每个客户端上学习和捕捉客户端个性化特征，然后服务器端将所述降维模型作为基础层发送给每个客户端，所有客户端共享基础层；引入正则化项，将参数上传服务器，聚合参数作为新一轮基础层。最后设计客户端个性化层，并且每个客户端在基础层的基础上添加个性化层；利用本地数据以及优化算法对客户端个性化层参数进行更新。通过本发明方法，每个客户端在数据降维后可以更多地保留个性化的信息。