一种面向心理状态评估的可靠度感知联邦学习差分隐私优化方法与流程

本发明涉及心理状态评估，特别是指一种面向心理状态评估的可靠度感知联邦学习差分隐私优化方法。

背景技术：

1、随着移动终端的普及，基于行为数据的心理状态评估需求日益增长。由于心理数据高度敏感，联邦学习结合差分隐私技术被广泛应用，即在终端对参数更新量进行裁剪与加噪后上传，服务器端再基于各终端的样本数量进行加权聚合。然而，心理状态评估任务存在固有特性，行为表现与心理特质的关联较弱，有效信号本身极其微弱；且不同终端用户的量表作答质量存在客观差异，导致数据的心理测量可靠度参差不齐。现有方法存在以下技术局限，对所有训练样本采用统一的梯度裁剪阈值和统一的高斯噪声乘子进行加噪处理，并在服务器端仅基于样本数量进行聚合，未能区分样本的心理测量可靠度差异。这种处理方式导致高可靠度样本的微弱有效信号被过度加噪淹没，降低了信噪比；同时，低可靠度样本的噪声标签干扰未被有效抑制，且基于样本数量的聚合使得低质量终端与高质量终端对全局参数产生同等影响，增加了全局心理状态评估参数受噪声标签干扰的程度，进而影响最终的评估精度。

技术实现思路

1、本发明提供了一种面向心理状态评估的可靠度感知联邦学习差分隐私优化方法，提升了弱信号心理评估的精度。

2、为解决上述技术问题，本发明的技术方案如下：

3、第一方面，一种面向心理状态评估的可靠度感知联邦学习差分隐私优化方法，所述方法包括：

4、步骤1，获取训练样本的量表作答时延偏离程度和作答选项的离散程度，生成训练样本的心理测量可靠度数值；根据预设区间边界，将心理测量可靠度数值划分为不同的可靠度档位；

5、步骤2，根据可靠度档位查询预先绑定的档位专属隐私参数，得到梯度裁剪阈值和高斯噪声乘子；

6、步骤3，获取训练样本的参数更新量，根据梯度裁剪阈值及高斯噪声乘子对参数更新量进行裁剪加噪处理，得到差分隐私参数更新量；

7、步骤4，将心理测量可靠度数值进行累加，得到可靠度质量；对可靠度质量叠加校准噪声，得到差分隐私可靠度质量；

8、步骤5，以差分隐私可靠度质量为权重标识将差分隐私参数更新量进行成对掩码编码，得到掩码化加权更新数据及掩码化质量数据；

9、步骤6，将掩码化加权更新数据及掩码化质量数据传输至服务器进行跨终端掩码抵消处理，得到全局加权更新总和及全局可靠度质量总和；

10、步骤7，计算全局加权更新总和相对于全局可靠度质量总和的归一化加权值，得到全局参数更新量；将全局参数更新量叠加至当前心理状态评估参数，得到更新后的心理状态评估参数。

11、第二方面，一种计算设备，包括：

12、一个或多个处理器；

13、存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的方法。

14、第四方面，一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现所述的方法。

15、本发明的上述方案至少包括以下有益效果：

16、本发明通过获取量表作答时延偏离程度和选项离散程度生成心理测量可靠度数值并划分可靠度档位，查询对应的梯度裁剪阈值和高斯噪声乘子对参数更新量裁剪加噪，得到差分隐私参数更新量。该机制使高可靠度样本保留较大更新幅度并施加较小噪声，保留微弱信号，提升信噪比。

17、同时，将心理测量可靠度数值累加并叠加校准噪声得到差分隐私可靠度质量，以此进行成对掩码编码得到掩码化加权更新数据及掩码化质量数据；经服务器跨终端掩码抵消后，计算全局加权更新总和相对于全局可靠度质量总和的归一化加权值，得到全局参数更新量以更新心理状态评估参数。该机制使高可靠度终端贡献更大，降低低质量干扰，提升评估准确性，且确保服务器无法获知明文数据，满足隐私要求。

1.一种面向心理状态评估的可靠度感知联邦学习差分隐私优化方法，其特征在于，所述方法包括：

2.根据权利要求1所述的一种面向心理状态评估的可靠度感知联邦学习差分隐私优化方法，其特征在于，获取训练样本的量表作答时延偏离程度和作答选项的离散程度，生成训练样本的心理测量可靠度数值；根据预设区间边界，将心理测量可靠度数值划分为不同的可靠度档位，包括：

3.根据权利要求2所述的一种面向心理状态评估的可靠度感知联邦学习差分隐私优化方法，其特征在于，根据可靠度档位查询预先绑定的档位专属隐私参数，得到梯度裁剪阈值和高斯噪声乘子，包括：

4.根据权利要求3所述的一种面向心理状态评估的可靠度感知联邦学习差分隐私优化方法，其特征在于，获取训练样本的参数更新量，根据梯度裁剪阈值及高斯噪声乘子对参数更新量进行裁剪加噪处理，得到差分隐私参数更新量，包括：

5.根据权利要求4所述的一种面向心理状态评估的可靠度感知联邦学习差分隐私优化方法，其特征在于，将心理测量可靠度数值进行累加，得到可靠度质量；对可靠度质量叠加校准噪声，得到差分隐私可靠度质量，包括：

6.根据权利要求5所述的一种面向心理状态评估的可靠度感知联邦学习差分隐私优化方法，其特征在于，以差分隐私可靠度质量为权重标识将差分隐私参数更新量进行成对掩码编码，得到掩码化加权更新数据及掩码化质量数据，包括：

7.根据权利要求6所述的一种面向心理状态评估的可靠度感知联邦学习差分隐私优化方法，其特征在于，将掩码化加权更新数据及掩码化质量数据传输至服务器进行跨终端掩码抵消处理，得到全局加权更新总和及全局可靠度质量总和，包括：

8.根据权利要求7所述的一种面向心理状态评估的可靠度感知联邦学习差分隐私优化方法，其特征在于，计算全局加权更新总和相对于全局可靠度质量总和的归一化加权值，得到全局参数更新量；将全局参数更新量叠加至当前心理状态评估参数，得到更新后的心理状态评估参数，包括：

9.一种计算设备，其特征在于，包括：

10.一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中存储有程序，该程序被处理器执行时实现如权利要求1至7中任一项所述的方法。