CN119442009A 基于合成伪特征的联邦长尾学习方法和数据处理系统 （浙江大学）

基于合成伪特征的联邦长尾学习方法和数本说明书提供基于合成伪特征的联邦长尾编码器参数对本地业务数据进行处理获得本地根据目标伪特征对业务处理模型中的分类器进2所述服务器，拆分业务处理模型获得编码器，并将所述编码器的编所述至少两个客户端，基于所述编码器参数对本地业务数据进行所述服务器，将各客户端的本地业务特征统计量聚合为全局业务特征基于所述编码器参数在所述本地业务数据中提根据特征统计规则和所述本地业务特征计算本地业根据安全聚合协议对各客户端的本地业务特征统计量进基于所述全局业务特征统计量和所述初始伪特征基于所述初始伪特征计算初始伪特征协方差以及初根据所述全局分解因子、所述初始分解因子、所述初始伪特基于所述初始伪特征计算初始伪特征协方差以及初根据所述全局分解因子、所述初始分解因子、所述初始伪特基于所述当前伪特征、所述初始伪特征和所述全局业务特征3基于所述全局业务特征统计量和所述当前初始伪特征基于所述当前初始伪特征计算当前初始伪特征协方差以及当前初根据所述全局分解因子、所述当前分解因子、所述当前初始伪特征9.一种数据处理系统，其特征在于，所述数据处理系统中包所述服务器，被配置为拆分业务处理模型获得编码器，并将所述所述至少两个客户端，被配置为基于所述编码器参数对本地业务所述服务器，被配置为将各客户端的本地业务特征统计量聚合为全局业务特征统计所述存储器用于存储计算机程序/指令，所述处理器用于执行所述计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至8任意一项所述方法的序/指令被处理器执行时实现权利要求1_8任意处理器执行时实现权利要求1至8任意一项所述方4[0001]本说明书涉及计算机技术领域，特别涉及基于合成伪特征的联邦长尾学习方5令，该计算机程序/指令被处理器执行时实现上述基于合成伪特征的联邦长尾学习方法的指令，该计算机程序/指令被处理器执行时实现上述基于合成伪特征的联邦长尾学习方法据进行处理获得本地业务特征统计量，并将所述本地业务特征统计量发送至所述服务器；[0012]图1是本说明书一个实施例提供的一种基于合成伪特征的联邦长尾学习方法的场图2是本说明书一个实施例提供的一种基于合成伪特征的联邦长尾学习方法的流图4是本说明书一个实施例提供的一种基于合成伪特征的联邦长尾学习方法的处6[0014]在本说明书一个或多个实施例中使用的术语是仅仅出于述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分示的数据等均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收分解为一个下三角矩阵及其转置的乘积的方法，所分解出的下三角矩阵称为Cholesky因子[0023]非独立同分布(non_IID)：非独立同分布（non_IID,Non_Independentand[0024]安全聚合协议（SecureAggregationProtocol安全聚合协议是一种用于分布7征二阶矩以及本地RFF均值；将各客户端的本地业务特征统计量基于安全聚合协议进行掩码处理后发送至服务器；服务器基于安全聚合协议对本地业务特征统计量进行聚合，8系统中的各客户端进行模型训练，客户端是指进行联邦学习的数据处理系统中的客户端，[0034]在本说明书一具体实施方式中，基于联邦学习的数据处理系统中包含服务器A和[0038]具体的，基于所述编码器参数对本地业务数据进行处理获得本地业务特征统计基于所述编码器参数在所述本地业务数据中提根据特征统计规则和所述本地业务特征计算本地业9[0041]步骤206：服务器，将各客户端的本地业务特征统计量聚合为全局业务特征统计基于所述全局业务特征统计量和所述初始伪特征全局业务特征统计量是指对各客户端的本地业务特征统计量进行聚合后得到的基于所述初始伪特征计算初始伪特征协方差以及初分解因子是指基于预设分解算法对初始伪特它的Cholesky分解也能成功进行，可以给对角线加上一个小于预设阈值的正数，即果得到的线性变换矩阵对初始伪特征进行调整实现伪特征分布向真实全局业务特征分布基于所述初始伪特征计算初始伪特征协方差以及初通过MMD可以计算两个数据集之间的差异，从而缩小合成伪特征与真实全局业务斯核函数：k(u,v)~($(u),(v))。表示当前伪特征的数量，表示全局傅里叶特征均值，n表示当前伪值范围的正则化处理，对当前伪特征的数值范围进行调整；以编码器带有的激活函数为以编码器带有的激活函数为sigmoid激活函数为例，则通过正则化产生的正则化基于所述全局业务特征统计量和所述当前初始伪特征存储器的形式，则更新伪特征模块的方式为直接更新存储于所述存储器中的初始伪特征；[0068]在本说明书一具体实施方式中，如图3一种根据总损失值优化目标伪特征的示意集中的目标伪特征重训练业务处理模型的分类器，从而纠正业务处理模型中分类器的偏据进行处理获得本地业务特征统计量，并将所述本地业务特征统计量发送至所述服务器；根据所述目标伪特征对所述业务处理模型中的分类器进行调整，获得目标业务处理模型，[0071]下述结合附图4，以本说明书提供的基于合成伪特征的联邦长尾学习方法在医疗示出了本说明书一个实施例提供的一种基于合成伪特征的联邦长尾学习方法的处理过程步骤402：医疗数据处理系统中的服务器响应于模型优化请求，拆分疾病分类模[0073]步骤404：各客户端基于编码器参数对本地业务数据进行处理获得本地业务特征[0078]本说明书一实施例实现了，由医疗数据处理系统中的服务器响应于模型优化请分类模型用以对病人的疾病信息进行分类。通过全局特征统计量和初始伪特征合成伪特所述至少两个客户端504，被配置为基于所述编码器参数对本地业务数据进行处所述服务器502，被配置为将各客户端的本地业务特征统计量聚合为全局业务特基于所述编码器参数在所述本地业务数据中提根据特征统计规则和所述本地业务特征计算本地业基于所述全局业务特征统计量和所述初始伪特征基于所述初始伪特征计算初始伪特征协方差以及初基于所述初始伪特征计算初始伪特征协方差以及初基于所述全局业务特征统计量和所述当前初始伪特征系统的技术方案与上述的基于合成伪特征的联邦长尾学习方法的技术方案属于同一构思，多个网络660通信。这些网络的示例包括公用交换电话网（PSTN，PublicSwitched备640可以包括有线或无线的任何类型的网络接口（例如，网络接口卡（NIC，networkLocalAreaNetwork）无线接口、全球微波互联接入（Wi_MAX，WorldwideInteroperabilityforMicrowaveAccess）接口、以太网接口、通用串行总线（USB，[0092]计算设备600可以是任何类型的静止或移动计算设备，包括移动计算机或移动计该计算机程序/指令被处理器执行时实现如前所述基于合成伪特征的联邦长尾学习方法的储介质的技术方案与上述的基于合成伪特征的联邦长尾学习方法的技术方案属于同一构程序/指令被处理器执行时实现上述基于合成伪特征的联邦长尾学习程序产品的技术方案与上述的基于合成伪特征的联邦长尾学习方法的技术方案属于同一[0099]上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求