公开(公告)号：CN117711629A

公开(公告)日：2024-03-15

申请号：CN202311713643.6

申请日：2023-12-13

Applicant: 中国科学院计算技术研究所

Inventor： 蒋鑫龙 ,  牟婷婷 ,  高晨龙 ,  闫冰洁

IPC: G16H50/50 ,  G16H50/70 ,  G06N3/098

Abstract: 本发明实施例提供了一种疾病预测模型的联邦训练方法及系统，其中，所述方法包括：将已有的多个客户端构建有向环形拓扑连接；给多个客户端配置相同结构的初始疾病预测模型，其中，每个客户端自有本地医疗数据集；基于构建的环形拓扑连接关系，每个客户端利用自有的本地医疗数据集以先传输联邦训练再基于广播的知识蒸馏联邦训练的方式对其对应的初始疾病预测模型进行多次迭代联邦训练，其中，传输联邦训练时相邻客户端之间进行全部参数传递，基于广播的知识蒸馏联邦训练时，每个客户端将其训练好的疾病预测模型参数广播给其他所有客户端。本发明的方法可以提高不同客户端的疾病预测模型性能。

公开(公告)号：CN119480126A

公开(公告)日：2025-02-18

申请号：CN202411354767.4

申请日：2024-09-27

Applicant: 中国科学院计算技术研究所

Inventor： 陈益强 ,  陈前 ,  蒋鑫龙 ,  高晨龙 ,  张腾 ,  黄武亮 ,  闫冰洁

IPC: G16H50/50 ,  G16H50/70 ,  G06F18/22 ,  G06F18/25 ,  G06N3/045 ,  G06N3/098

Abstract: 本发明提供了一种基于模型联邦网络的多中心医疗任务模型构建方法，所述方法包括：获取当前医疗中心的模型构建需求，并基于模型构建需求从该医疗中心选择对应的任务模型作为原始任务模型；从模型联邦网络中选择一个或多个与原始任务模型任务类型一致的来自于其他医疗中心的外部任务模型；对原始任务模型和每一个外部任务模型分别进行特征归因分析以得到原始任务模型和每一个外部任务模型的模型量化评估结果；以图匹配方式计算原始任务模型与各个外部任务模型之间的结构相似度；基于模型量化评估结果和结构相似度，按照预设的方式将原始任务模型中神经网络层的神经元参数与各个外部任务模型对应神经网络层的神经元参数进行加权融合得到目标医疗任务模型。

公开(公告)号：CN116030317A

公开(公告)日：2023-04-28

申请号：CN202211716818.4

申请日：2022-12-29

Applicant: 中国科学院计算技术研究所

Inventor： 陈益强 ,  蒋鑫龙 ,  闫冰洁 ,  王志睿

IPC: G06V10/774 ,  G06V10/764 ,  G06N20/00

Abstract: 本发明提出一种基于DMA‑MaaS联邦学习平台的模型训练方法和系统，包括：上传训练数据至联邦学习平台，联邦学习平台对训练数据进行检查并添加到数据池；上传任务至联邦学习平台，联邦学习平台将公开的任务加入到公共任务池以供其他用户端选择；通过选择自己发起的任务或在公共任务池中选择任务，判断选择的任务类型是否为联邦学习，若是则在用户端所在用户设备本地基于训练数据执行联邦学习，将学习得到的模型参数和结果返回到联邦学习平台进行参数聚合，直到聚合后的模型达到所需性能，否则联邦学习平台基于训练数据，在云端执行非联邦学习。本发明通过MaaS功能，缓解联邦平台用户侧的异质性，完成数据、任务、算法、模型的管理和创建发挥联邦模型价值。

公开(公告)号：CN117689933A

公开(公告)日：2024-03-12

申请号：CN202311576114.6

申请日：2023-11-23

Applicant: 中国科学院计算技术研究所

Inventor： 陈益强 ,  闫冰洁 ,  蒋鑫龙 ,  高晨龙

IPC: G06V10/764 ,  G06T7/00 ,  G06V10/774

Abstract: 本发明提供一种医疗图像分类模型的联邦训练方法，包括：S1、初始化的步骤：在中心服务器上随机初始化一个全局模型并将其传递给多个参与方以作为每个参与方的初始本地模型，其中，每个参与方存储有本地数据，所述每个参与方的本地数据包括多个医疗图像及其对应的疾病标签，且每个参与方的本地数据与其他参与方的本地数据之间不存在交集；S2、联邦训练的步骤：所述中心服务器每接收到一个参与方完成本地训练后的本地模型的参数时进行一次全局模型更新，并将更新后的全局模型参数发送给对应参与方，该参与方将接收到的更新后的全局模型参数作为新的本地模型的参数进行下一次本地训练。