[发明专利]一种基于联邦学习张量因子分解的医疗隐私数据保护方法

权利要求书

1.一种基于联邦学习张量因子分解的医疗隐私数据保护方法，其特征在于，该医疗隐私数据保护方法的具体步骤如下：

步骤一：各个医疗机构需维护本地分解的张量因子矩阵和全局张量非病患因子矩阵，并在联邦过程开始时对其进行初始化；

步骤二：各个医疗机构进行本地的张量因子分解训练，通过利用损失函数进行梯度下降；

步骤三：根据本地分解的因子矩阵和全局非病患因子矩阵求出对应的因子矩阵更新梯度；

步骤四：医疗机构通过梯度压缩策略对因子矩阵更新梯度进行稀疏化；

步骤五：各个医疗机构利用同态加密算法将本轮次的非病患因子矩阵更新的非零梯度进行加密，并发送到中心服务器；

步骤六：中心服务器对所有客户端的非病患因子矩阵更新的已加密梯度进行同态加法聚合，返回聚合后的梯度到各个医疗机构；

步骤七：医疗机构客户端对全局加密梯度解密，并对全局非病患因子矩阵执行梯度下降；

步骤八：客户端得到全局因子矩阵后继续下一轮张量因子分解训练；

步骤九：当全局因子矩阵收敛或达到一定轮次停止联邦训练；

步骤四中所述梯度压缩策略具体压缩方式如下：

在各个医疗机构本地，利用硬阈值方法对非病患因子矩阵更新梯度进行稀疏化，使梯度矩阵元素的绝对值在阈值范围内取零，仅对非零梯度元素进行同态加密并发送到中心服务器聚合，对不重要的梯度更新进行屏蔽；

步骤五中所述同态加密算法进行加密的具体步骤如下：

S1：在医疗机构维护本地分解的因子矩阵和全局非病患因子矩阵，进行本地张量分解；

S2：根据更新的本地表型与本地维护的全局表型计算梯度，然后对其梯度加密，并发送到服务器中；

S3：在中心服务器作同态加法，得到全局更新梯度；

S4：返回各个医疗机构执行解密并计算得出更新的全局表。

2.根据权利要求1所述的一种基于联邦学习张量因子分解的医疗隐私数据保护方法，其特征在于，步骤一中所述张量用于表示该医疗机构的所有病患的EHR数据，所述因子矩阵由各个医疗机构本地进行张量因子分解得到，且因子矩阵通过张量积近似得到原始张量。

3.根据权利要求1所述的一种基于联邦学习张量因子分解的医疗隐私数据保护方法，其特征在于，步骤二中所述损失函数表示将随机事件或其有关随机变量的取值映射为非负实数，以表示该随机事件的风险或损失的函数，所述损失函数用于评价模型的预测值和真实值不同的程度。

4.根据权利要求3所述的一种基于联邦学习张量因子分解的医疗隐私数据保护方法，其特征在于，所述损失函数分为以下两种：经验风险损失函数和结构风险损失函数；

其中，所述经验风险损失函数指预测结果和实际结果的差别，所述结构风险损失函数指经验风险损失函数加上正则项。