[发明专利]抵御推断攻击的医疗诊断模型差分隐私联合训练方法

权利要求书

1.一种抵御推断攻击的医疗诊断模型差分隐私联合训练方法，其特征在于，应用于半诚实中央服务器以及多个参与方组成的联合训练框架，所述半诚实中央服务器分别于多个参与方通信连接，各参与方在所述半诚实中央服务器的控制下共同训练目标医疗图像诊断模型，其中各参与方具有对应的局部诊断模型和本地数据集，各数据参与方基于中央服务器的全局分类模型、局部诊断模型和本地数据集执行局部诊断模型的私密训练，所述训练方法包括：

对于本轮训练，该参与方基于给定的插值系数、该轮训练的全局模型参数以及上一轮执行局部私密训练输出的局部诊断模型初始化执行本轮训练的局部诊断模型；

该参与方将本地数据集划分为多个批次，并利用前向传播和损失函数计算预测损失，基于预测损失确定局部诊断模型的参数梯度，并利用梯度下降法更新局部诊断模型参数；

利用给定高斯分布对梯度下降更新后的局部诊断模型参数添加高斯噪声扰动；

所述半诚实中央服务器聚合由各参与方添加扰动后的局部诊断模型，以获得本轮训练的全局扰动模型。

2.如权利要求1所述的抵御推断攻击的医疗诊断模型差分隐私联合训练方法，其特征在于，该参与方基于给定的插值系数、该轮训练的全局模型参数以及上一轮执行局部私密训练输出的局部诊断模型初始化执行本轮训练的局部诊断模型满足：

其中，是插值系数，取值为0到1之间， 表示第k个参与方上一轮执行局部私密训练输出的局部诊断模型参数， 表示本轮训练接收到的全局模型参数， 表示第k个参与方本轮训练的初始化局部诊断模型参数。

3.如权利要求2所述的抵御推断攻击的医疗诊断模型差分隐私联合训练方法，其特征在于，基于预测损失确定局部诊断模型的参数梯度之后，还包括：利用预设裁剪方式对参数的梯度进行裁剪得到参数更新量满足：

其中，ClipFn表示剪裁函数，表示预测的局部诊断模型的参数梯度，

表示一次前向传播计算得到的预测损失， 表示局部诊断模型参数的更新量。

4.如权利要求3所述的抵御推断攻击的医疗诊断模型差分隐私联合训练方法，其特征在于，利用梯度下降法更新局部诊断模型参数满足：

其中，表示参与方k在第t轮的学习率，参与方的学习率的更新满足：

其中，为初始学习率，γ为衰减系数，ΔT为更新间隔轮数。

5.如权利要求4所述的抵御推断攻击的医疗诊断模型差分隐私联合训练方法，其特征在于，利用给定高斯分布对梯度下降更新后的局部诊断模型参数添加高斯噪声扰动满足：

其中，d表示模型参数维度，σ²表示高斯噪声方差，R表示倍数常数，I表示时单位方阵，N表示正态分布。

6.如权利要求5所述的抵御推断攻击的医疗诊断模型差分隐私联合训练方法，其特征在于，所述半诚实中央服务器聚合由各参与方添加扰动后的局部诊断模型满足：

其中， 表示预设的聚合策略对n个参与方的局部扰动诊断模型进行聚合，得到下一轮的全局诊断模型 。

7.如权利要求5所述的抵御推断攻击的医疗诊断模型差分隐私联合训练方法，其特征在于，所述半诚实中央服务器聚合由各参与方添加扰动后的局部诊断模型包括：

采用联邦平均进行聚合满足：

其中，m为所有参与方的样本总数，m_k为第k个参与方的样本个数，n为参与方的个数。

8.一种抵御推断攻击的医疗诊断模型差分隐私联合训练方法装置，其特征在于，应用于半诚实中央服务器以及多个参与方组成的联合训练框架，所述半诚实中央服务器分别于多个参与方通信连接，各参与方在所述半诚实中央服务器的控制下共同训练目标分类模型，其中各参与方具有对应的局部诊断模型和本地数据集，各数据参与方基于局部诊断模型和本地数据集执行局部诊断模型的私密训练，所述差分隐私联合训练装置包括处理器，其被配置为执行如权利要求1-7任一项所述的抵御推断攻击的医疗诊断模型差分隐私联合训练方法。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的抵御推断攻击的医疗诊断模型差分隐私联合训练方法的步骤。