面向医疗大数据的区块链与联邦学习融合方法

技术特征：
1.一种面向医疗大数据的区块链与联邦学习融合方法，其特征在于，包括：步骤1，在医疗客户端和矿工节点之间构建区块链网络和联邦学习训练环境，每个医疗客户端从所述区块链网络下载深度学习模型和智能合约，所述智能合约封装有针对非独立同分布医疗数据中标签偏移场景的联邦学习算法；步骤2，每个医疗客户端利用自身的本地医疗数据集对所述深度学习模型进行训练；在训练过程中，根据所述联邦学习算法在所述深度学习模型softmax层中将所述本地医疗数据集中缺失标签类别的分类权重缩小；步骤3，每个医疗客户端将训练后的深度学习模型上传给与该医疗客户端相关联的矿工节点，并根据区块链网络激励机制获得数据奖励；步骤4，接收到训练后的深度学习模型的多个矿工节点，对训练后的多个深度学习模型进行交叉验证；其中，当训练后的深度学习模型通过交叉验证时，该深度学习模型对应的矿工节点运行工作量证明机制，根据区块链网络激励机制获得挖矿奖励，并在完成工作量证明机制后，产生新的区块，将该深度学习模型存储于该新的区块中，并将新的区块添加到所述区块链网络中；步骤5，每个医疗客户端从所述区块链网络下载所有新的区块中的深度学习模型，根据所述联邦学习算法校验下载的深度学习模型的准确率，并根据所述准确率动态调整模型聚合权重更新全局模型；步骤6，将更新后的全局模型作为步骤2中的深度学习模型，并返回执行步骤2，直至更新后的全局模型收敛。2.根据权利要求1所述的方法，其特征在于，所述根据所述联邦学习算法在所述深度学习模型softmax层中将所述本地医疗数据集中缺失标签类别的分类权重缩小，包括：利用超参数，在所述深度学习模型softmax层中将所述本地医疗数据集中缺失标签类别的分类权重缩小。3.根据权利要求2所述的方法，其特征在于，所述利用超参数，在所述深度学习模型softmax层中将所述本地医疗数据集中缺失标签类别的分类权重缩小，包括：通过公式，在所述深度学习模型softmax层中将所述本地医疗数据集中缺失标签类别的分类权重缩小；其中，表示第个医疗客户端的本地医疗数据集中的第个样本为第个分类的概率，，表示第个医疗客户端的观察类集，表示第个医疗客户端缺失标签的类集，i表示当前分类，
훼
表示超参数，
훼
∈[0，1]，表示第轮更新全局模型时，第个医疗客户端对应的第个分类权重，，表示全局模型的总更新轮数，表示第个医疗客户端的本地医疗数据集中的第个样本的提取特征向量，c表示分类的总数。4.根据权利要求1所述的方法，其特征在于，所述根据所述准确率动态调整模型聚合权
重更新全局模型，包括：通过公式，计算第个医疗客户端对应的深度学习模型的模型聚合权重；通过公式，获得全局模型的全局参数；其中，表示第个医疗客户端对应的深度学习模型的准确性，，表示第个医疗客户端对应的深度学习模型的准确性，表示医疗客户端的总数，表示第轮更新全局模型时，第个医疗客户端利用自身的本地医疗数据集训练得到的深度学习模型的本地模型参数，，表示全局模型的总更新轮数。5.根据权利要求1所述的方法，其特征在于，所述根据区块链网络激励机制获得数据奖励，包括：每个医疗客户端从与该医疗客户端相关联的矿工节点获得数据奖励；所述数据奖励与该医疗客户端的本地医疗数据集的样本量以及该医疗客户端对应的深度学习模型的准确性成正比。6.根据权利要求1所述的方法，其特征在于，所述根据区块链网络激励机制获得挖矿奖励，包括：矿工节点从区块链网络获得挖矿奖励；所述挖矿奖励与该矿工节点关联的所有医疗客户端的本地医疗数据集的样本总量成正比。

技术总结
本申请适用于联邦学习技术领域，提供了一种面向医疗大数据的区块链与联邦学习融合方法，包括：在医疗客户端和矿工之间构建区块链网络和联邦学习训练环境；医疗客户端利用本地医疗数据集训练深度学习模型，对缺失标签的类别限制分类层权重，完成训练后将本地模型上传给关联矿工获得数据激励；矿工们交叉验证模型更新后，运行工作量证明机制产生新的区块并获得挖矿奖励，随后将模型更新存储于新的区块中并添加到区块链中；医疗客户端从区块链上下载新的区块，并依据智能合约校验准确率，动态调整权重来更新全局模型；重复上述步骤，直至全局模型收敛。本申请能提升全局模型的性能，提高联邦学习系统的鲁棒性，提升各医疗机构对联合训练的积极性。合训练的积极性。合训练的积极性。


技术研发人员：陈先来 李凯欣 安莹
受保护的技术使用者：中南大学
技术研发日：2022.11.30
技术公布日：2023/1/13