公开(公告)号：CN113792856B

公开(公告)日：2022-06-10

申请号：CN202111058809.6

申请日：2021-09-09

Applicant: 电子科技大学

Inventor： 杨浩淼 ,  葛孟雨 ,  金禹樵 ,  张益 ,  李佳晟 ,  王宇 ,  卢锐恒 ,  汤殿华 ,  李宇博 ,  李发根

IPC: G06N3/04 ,  G06N3/08 ,  G06N20/00 ,  G16H50/70

Abstract: 本发明公开了基于VAE医疗保健联邦学习框架的确定方法，涉及计算机科学、机器学习以及联邦学习技术领域，解决基于联邦学习的医疗保健领域的三个挑战，第一，数据分布非IID导致的最终模型性能降低以及收敛速度慢的问题。第二，医疗数据的正负样本分布不均衡导致的模型偏差较大的问题。第三，联邦学习下所消耗的通信带宽过大导致的难以实际部署的问题。我们先在联邦学习框架下训练两个轻量级的VAE，然后将训练好的VAE分发给所有的节点用于更新自己的本地数据，而更新后的本地数据具有的特点就是数据都是低维且分布具有相似性并且类别是均衡的。最后再利用这样的数据对异常检测模型进行训练。

公开(公告)号：CN113792856A

公开(公告)日：2021-12-14

申请号：CN202111058809.6

申请日：2021-09-09

Applicant: 电子科技大学

Inventor： 杨浩淼 ,  葛孟雨 ,  金禹樵 ,  张益 ,  李佳晟 ,  王宇 ,  卢锐恒 ,  汤殿华 ,  李宇博 ,  李发根

IPC: G06N3/04 ,  G06N3/08 ,  G06N20/00 ,  G16H50/70

Abstract: 本发明公开了基于VAE医疗保健联邦学习框架的确定方法，涉及计算机科学、机器学习以及联邦学习技术领域，解决基于联邦学习的医疗保健领域的三个挑战，第一，数据分布非IID导致的最终模型性能降低以及收敛速度慢的问题。第二，医疗数据的正负样本分布不均衡导致的模型偏差较大的问题。第三，联邦学习下所消耗的通信带宽过大导致的难以实际部署的问题。我们先在联邦学习框架下训练两个轻量级的VAE，然后将训练好的VAE分发给所有的节点用于更新自己的本地数据，而更新后的本地数据具有的特点就是数据都是低维且分布具有相似性并且类别是均衡的。最后再利用这样的数据对异常检测模型进行训练。