CN114418132A - 家庭健康管理模型的使用与训练方法 - Google Patents
家庭健康管理模型的使用与训练方法 Download PDFInfo
- Publication number
- CN114418132A CN114418132A CN202111613513.6A CN202111613513A CN114418132A CN 114418132 A CN114418132 A CN 114418132A CN 202111613513 A CN202111613513 A CN 202111613513A CN 114418132 A CN114418132 A CN 114418132A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- family
- coordination
- health management
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 316
- 230000036541 health Effects 0.000 title claims abstract description 218
- 238000000034 method Methods 0.000 title claims abstract description 85
- 230000000694 effects Effects 0.000 claims abstract description 87
- 238000011156 evaluation Methods 0.000 claims description 74
- 238000012360 testing method Methods 0.000 claims description 39
- 230000002776 aggregation Effects 0.000 claims description 33
- 238000004220 aggregation Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 11
- 230000010365 information processing Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 19
- 238000010586 diagram Methods 0.000 description 14
- 238000003860 storage Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 208000033748 Device issues Diseases 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例提供了家庭健康管理模型的使用与训练方法,其中家庭中心利用家庭健康管理模型对用户的与健康相关信息进行处理得到家庭健康管理信息。而家庭健康管理模型通过如下方式进行训练:管理设备通知各协调设备进行训练后,每个协调设备分别与对应的多个家庭中心进行联邦学习得到模型参数,并上传给管理设备;管理设备选择训练效果最优的模型参数作为最终的模型参数,并通过各协调设备通知各家庭中心以更新家庭健康管理模型。通过采用联邦学习的架构,使用户的健康相关信息不会被上传,保证了用户的数据安全。此外,分组联邦学习能够避免部分家庭中心利用其较差的训练样本训练从而最终影响模型训练效果。
Description
技术领域
本发明涉及计算机技术领域,尤指一种家庭健康管理模型的使用与训练方法。
背景技术
随着我国经济的不断发展,人们的生活水平日渐提高,人们也越来越注重个人的身体健康。目前,机器学习、物联网等技术被广泛应用于人们的健康领域。对于包括多个成员的家庭而言,有必要为每一位家庭成员进行个性化的健康管理。
为了更好地实现对每一位家庭成员的健康管理,可以为每一个家庭设置一个家庭中心,通过家庭中心统筹管理家庭成员的健康信息。在家庭中心中,可以设置家庭健康管理模型来对家庭成员的健康信息进行管理(例如通过家庭健康管理模型为家庭成员提供健康建议、分析健康状况等)。那么由于每个人的健康状态均不相同,因此如何调整家庭健康管理模型来适应不同的具体情况,目前仍需进一步地改进。
发明内容
本发明实施例提供一种家庭健康管理模型的使用与训练方法,用以调整家庭健康管理模型来适应不同的家庭中心的具体使用情况。
本发明实施例提供了一种家庭健康管理模型的使用方法,应用于家庭中心,包括:
在接收到管理设备通过所述家庭中心对应的协调设备传递的第一模型参数后,利用所述第一模型参数对所述家庭健康管理模型进行更新;
响应于家庭健康信息处理指令,使用所述家庭健康管理模型对与健康相关信息进行处理,得到家庭健康管理信息;
其中,所述第一模型参数是所述管理设备从多个协调设备上传的第二模型参数中选择的模型参数;
协调设备上传的第二模型参数是所述协调设备利用对应的家庭中心上传的梯度数据聚合训练得到的;
所述梯度数据是家庭中心利用本地的训练样本训练家庭健康管理模型得到的。
可选地,接收管理设备通过所述第一家庭中心对应的协调设备传递的第一模型参数之前,所述方法还包括:
响应于所述协调设备发送的模型训练指令,利用本地的训练样本训练所述家庭健康管理模型,得到梯度数据;其中所述模型训练指令为所述协调设备根据所述管理设备的指示发送的;
将所述梯度数据和训练样本数量上传至所述协调设备;以使所述协调设备利用梯度数据和所述训练样本数量进行聚合训练得到第三模型参数,根据第三模型参数确定第二模型参数并上传至所述管理设备。
可选地,将所述梯度数据和训练样本数量上传至所述协调设备之后,所述方法还包括:
接收所述协调设备发送的再次训练指令和第三模型参数,利用所述第三模型参数更新所述家庭健康管理模型后再次利用本地的训练样本训练所述家庭健康管理模型,得到梯度数据;其中所述再次训练指令为所述协调设备确定满足再次训练条件时发送的指令,所述第三模型参数为所述协调设备确定满足所述再次训练条件时的第三模型参数;
将所述梯度数据和训练样本数量上传至所述协调设备。
可选地,利用所述第一模型参数对所述家庭健康管理模型进行更新之后,所述方法还包括:
计算所述家庭健康管理模型的各特征的夏普利加法解释SHAP值总和并上传至所述协调设备;以使所述协调设备根据所述管理设备下发的协调设备更新贡献值、所述SHAP值总和、所述训练样本数量确定家庭中心更新贡献值并下发给所述家庭中心;
接收所述协调设备发送的家庭中心更新贡献值。
基于同一发明构思,本发明实施例还提供了一种家庭健康管理模型的训练方法,应用于协调设备,包括:
响应于管理设备发送的启动模型训练指令,向所述协调设备对应的多个家庭中心下发模型训练指令;
接收多个第一家庭中心上传的梯度数据和训练样本数量,利用所述梯度数据和所述训练样本数量对家庭健康管理模型进行聚合训练得到第三模型参数,根据所述第三模型参数确定第二模型参数,将所述第二模型参数上传至所述管理设备;其中所述第一家庭中心为被下发模型训练指令的家庭中心中的至少部分家庭中心,梯度数据为第一家庭中心利用本地的训练样本训练家庭健康管理模型得到的,训练样本数量为得到所述梯度数据所对应的参与训练的训练样本数量;
获取所述管理设备确定的第一模型参数并发送给对应的多个家庭中心;
其中,所述第一模型参数是所述管理设备从多个协调设备上传的第二模型参数中选择的模型参数。
可选地,根据所述第三模型参数确定第二模型参数,包括:
判断是否满足再次训练条件;
若不满足,则将当前的第三模型参数确定为第二模型参数;
若满足,则将再次训练指令和所述第三模型参数下发给所述第一家庭中心;再次接收所述第一家庭中心上传的梯度数据和训练样本数量,利用所述梯度数据和训练样本数量对家庭健康管理模型再次进行聚合训练得到第三模型参数;其中再次接收的所述梯度数据为所述第一家庭中心利用下发的第三模型参数更新所述家庭健康管理模型后再次利用本地的训练样本训练所述家庭健康管理模型得到并上传的梯度数据,训练样本数量为得到所述梯度数据所对应的参与训练的训练样本数量。
可选地,利用所述梯度数据和所述训练样本数量对家庭健康管理模型进行聚合训练得到第三模型参数之后,还包括:
利用所述第三模型参数更新家庭健康管理模型,并利用测试样本对更新的家庭健康管理模型进行测试,得到第三训练效果评价指标;
根据所述第三模型参数确定第二模型参数之后,还包括:
将所述第二模型参数对应的第三训练效果评价指标确定为第二训练效果评价指标;
将所述第二模型参数上传至所述管理设备的同时,还包括:
将所述第二训练效果评价指标上传至所述管理设备;
获取所述管理设备确定的第一模型参数并发送给对应的家庭中心之后,所述方法还包括:
接收所述管理设备下发的协调设备更新贡献值;其中所述协调设备更新贡献值是所述管理设备根据所述第二训练效果评价指标和各协调设备对应的第一训练效果评价指标确定的;所述第一训练效果评价指标为管理设备分别利用各协调设备上传的第二模型参数更新家庭健康管理模型后,利用测试样本对家庭健康管理模型进行测试得到的训练效果评价指标;
接收各所述第一家庭中心上传的家庭健康管理模型的各特征的SHAP值总和;
针对任一第一家庭中心,根据所述第一家庭中心上传的SHAP值总和、各第一家庭中心上传的训练样本数量和所述协调设备更新贡献值确定家庭中心更新贡献值并发送给所述第一家庭中心。
可选地,获取所述管理设备确定的第一模型参数,包括:
获取所述管理设备确定并发布在区块链中的第一模型参数。
基于同一发明构思,本发明实施例还提供了一种家庭健康管理模型的训练方法,应用于管理设备,包括:
响应于触发训练指令,向多个协调设备下发启动模型训练指令;
接收多个第一协调设备上传的第二模型参数,其中所述第二模型参数是第一协调设备根据对应的家庭中心上传的训练得到的梯度数据聚合训练得到的第三模型参数确定的;所述第一协调设备为被下发启动模型训练指令的协调设备中至少部分的协调设备;
对任一个第二模型参数,利用所述第二模型参数更新家庭健康管理模型后,利用测试样本对所述家庭健康管理模型进行测试得到的第一训练效果评价指标;
将最优第一训练效果评价指标对应的第二模型参数确定为第一模型参数,并将所述第一模型参数通知各协调设备;以使各协调设备将所述第一模型参数发送给对应的家庭中心以更新家庭中心的家庭健康管理模型。
可选地,接收多个第一协调设备上传的第二模型参数的同时,还包括:
接收所述第一协调设备上传的第二训练效果评价指标;其中第二训练效果评价指标为对应的第一协调设备利用第二模型参数更新家庭健康管理模型后,利用测试样本对更新的家庭健康管理模型测试得到的;
确定第一模型参数之后,所述方法还包括:
对任一个第一协调设备,根据所述第一协调设备上传的第二训练效果评价指标和各第一协调设备的第一训练效果评价指标,确定所述第一协调设备对应的协调设备更新贡献值并下发给所述第一协调设备;以使所述第一协调设备根据所述协调设备更新贡献值确定对应的各家庭中心的家庭中心更新贡献值。
可选地,将所述第一模型参数通知各协调设备,包括:
将所述第一模型参数发布至区块链中,以使各协调设备从所述区块链中获取所述第一模型参数。
本发明有益效果如下:
本发明实施例提供的家庭健康管理模型的使用与训练方法,通过采用联邦学习的架构,家庭中心分别利用各自本地保存的训练样本进行训练得到梯度数据,将梯度数据上传至协调设备进行聚合训练得到模型参数。这样能够使用户的健康相关信息不会被上传,从而保证了用户的数据安全的同时实现了对家庭健康管理模型的训练。此外,上述方案中通过设置多个协调设备进行聚合训练分别得到不同的模型参数,由管理设备决定最终采用的模型参数来更新家庭中心的家庭健康管理模型,能够避免部分家庭中心利用其本地较差的训练样本进行训练从而最终影响整个家庭健康管理系统的模型训练效果,从而提升了最终的训练效果。
附图说明
图1为本发明实施例中家庭健康管理系统的结构示意图;
图2为本发明实施例中区块链的区块的数据结构示意图;
图3为本发明实施例提供的一种家庭健康管理模型的使用方法的流程示意图;
图4为本发明实施例提供的一种应用于协调设备的家庭健康管理模型的训练方法的流程示意图之一;
图5为本发明实施例提供的一种应用于协调设备的家庭健康管理模型的训练方法的流程示意图之二;
图6为本发明实施例提供的一种应用于管理设备的家庭健康管理模型的训练方法的流程示意图;
图7为本发明实施例提供的一种家庭健康管理模型的使用装置的结构示意图;
图8为本发明实施例提供的一种家庭健康管理模型的训练装置的结构示意图;
图9为本发明实施例提供的一种家庭健康管理模型的训练装置的结构示意图;
图10为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面将结合附图和实施例对本发明做进一步说明。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式;相反,提供这些实施方式使得本发明更全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构,因而将省略对它们的重复描述。本发明中所描述的表达位置与方向的词,均是以附图为例进行的说明,但根据需要也可以做出改变,所做改变均包含在本发明保护范围内。本发明的附图仅用于示意相对位置关系不代表真实比例。
需要说明的是,在以下描述中阐述了具体细节以便于充分理解本发明。但是本发明能够以多种不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广。因此本发明不受下面公开的具体实施方式的限制。说明书后续描述为实施本申请的较佳实施方式,然所述描述乃以说明本申请的一般原则为目的,并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。
下面结合附图,对本发明实施例提供的家庭健康管理模型的使用与训练方法进行具体说明。
如图1所示,本发明实施例所应用于的家庭健康管理系统包括:管理设备、多个协调设备及每个协调设备分别对应的多个家庭中心(图1中以虚线框示意协调设备与家庭中心的对应关系,图1中出现的所有协调设备均与管理设备具有对应关系)。其中所述家庭健康管理系统中的关联设备与协调设备可以为相互独立的硬件设备,也可以为由同一个硬件设备通过虚拟化技术得到的多个虚拟设备,在此不作限定。在家庭健康管理系统中,协调设备与家庭中心之间的对应关系可以为随机确定的;也可以为便于其它需要,将具有相似样本特征的家庭中心分为一组,每组家庭中心对应一个协调设备。具体可以由家庭中心确定本地保存的样本特征与各协调设备的预设特征中心之间的相似度距离,确定最小相似度距离的协调设备作为对应的协调设备。由于这部分内容不是本方案的重点,故不再展开说明。
下面将以各设备所实现的功能来说明各设备在所述家庭健康管理系统中的作用。具体实现的功能如下:
S200、家庭中心响应于家庭健康信息处理指令,使用家庭健康管理模型对与健康相关信息进行处理,得到家庭健康管理信息。
在本发明实施例中,所述家庭健康管理模型为用于对与健康相关信息进行处理的机器学习模型,例如对于家庭成员的健康数据(例如体重、血压、血糖、心率等)数据进行处理并给出健康状况分析的机器学习模型,或者为家庭成员对应的终端设备推送网络健康信息的机器学习模型,亦或者其它与健康管理相关的机器学习模型,本发明实施例不做具体限定。
在使用所述家庭健康管理模型的过程中,需要不断地对所述家庭健康管理模型进行更新,以提高实现所述步骤S200的效果和用户体验。
那么,上述家庭中心(下文中将称为家庭中心C)的家庭健康管理模型将通过如下方式进行训练:
S101、管理设备响应于触发训练指令,向多个协调设备A下发启动模型训练指令。
在具体实施过程中,协调设备A为整个家庭健康管理系统中的至少部分协调设备,优选地协调设备A为整个家庭健康管理系统中所有协调设备。所述触发训练指令可以由管理设备对应的用户进行触发,也可以按照一定的规则(例如按照一定的频率)触发,在此不作限定。对于家庭健康管理而言,不同的健康信息的处理方式不同,因而家庭中心中一般会存在多个不同类型的家庭健康管理模型及对应的家庭健康数据,因而管理设备下发的启动模型训练指令中包括指示本次进行训练的家庭健康管理模型及对应的训练样本类型的指示信息。
S102、协调设备B响应于启动模型训练指令,向所述协调设备B对应的多个家庭中心A下发模型训练指令。
在具体实施过程中,协调设备B为协调设备A中的至少部分协调设备,优选地协调设备B为所有协调设备A。家庭中心A为所述协调设备B对应的至少部分家庭中心,优选地为协调设备B对应的所有家庭中心。所述模型训练指令中包括指示本次进行训练的家庭健康管理模型及对应的训练样本类型的指示信息,所述模型训练指令可以直接为所述启动模型训练指令,也可以为根据所述启动模型训练指令生成的另一个指令。
S103、家庭中心B响应于协调设备B发送的模型训练指令,利用本地的训练样本训练家庭健康管理模型,得到梯度数据。
在具体实施过程中,家庭中心B为至少部分家庭中心A,优选地家庭中心B为所有家庭中心A。训练样本为家庭中心B本地保存的家庭健康管理中心对应的健康相关信息。
S104、家庭中心B将梯度数据和训练样本数量上传至对应的协调设备B。
S105、协调设备B接收对应的家庭中心B的上传的梯度数据和训练样本数量,利用梯度数据和训练样本数量进行聚合训练,得到第三模型参数。
S109、协调设备B将第三模型参数确定为第二模型参数并上传至管理设备。
S110、管理设备接收各协调设备B上传的第二模型参数。
S111、对任一个第二模型参数,管理设备利用所述第二模型参数更新家庭健康管理模型,并利用测试样本对更新后的家庭健康管理模型进行测试得到第一训练效果评价指标。
在具体实施过程中,不同的家庭健康管理模型对应的训练效果评价指标的类型不同,例如回归模型的训练效果评价指标为均方误差,分类模型的训练效果评价指标为受试者工作特征曲线下围面积(Area Under Curve,AUC)。
S112、管理设备将最优的第一训练效果评价指标对应的第二模型参数作为第一模型参数,并将所述第一模型参数通知协调设备C。
在具体实施过程中,所述协调设备C为整个家庭健康管理系统中的至少部分协调设备,协调设备C的范围可以与协调设备A或协调设备B的范围相同,也可以不同。优选地协调设备C为整个家庭健康管理系统中的所有协调设备。
S113、协调设备C获取第一模型参数并下发给对应的家庭中心C。
在具体实施过程中,家庭中心C为协调设备C对应的至少部分家庭中心,家庭中心C的范围可以与家庭中心A或家庭中心B的范围相同,也可以不同。优选地家庭中心C为协调设备C对应的所有家庭中心。
S114、家庭中心C接收第一模型参数,利用第一模型参数更新家庭健康管理模型。
由于用户的健康信息涉及个人隐私,这样上述方案中通过采用联邦学习的架构,家庭中心分别利用各自本地保存的训练样本进行训练得到梯度数据,将梯度数据上传至协调设备进行聚合训练得到模型参数。这样能够使用户的健康相关信息不会被上传,从而保证了用户的数据安全的同时实现了对家庭健康管理模型的训练。此外,上述方案中通过设置多个协调设备进行聚合训练分别得到不同的模型参数,由管理设备决定最终采用的模型参数来更新家庭中心的家庭健康管理模型,能够避免部分家庭中心利用其本地较差的训练样本进行训练从而最终影响整个家庭健康管理系统的模型训练效果,从而提升了最终的训练效果。
进一步地,所述步骤S105中,协调设备B利用梯度数据进行聚合训练时,通过如下方式计算聚合的梯度数据,并利用聚合的梯度进行聚合训练:
其中,g为聚合的梯度数据,t为序号且为正整数,Dt为第t个家庭中心B的训练样本数量,gt为第t个家庭中心B的梯度数据,N为所述协调设备B对应的家庭中心B的总数量且为大于1的正整数。
在以各协调设备B为单位进行联邦学习的训练过程中,如果只进行一次联邦学习,往往协调设备B聚合训练得到的模型参数的效果一般,这样可以令协调设备B与对应的家庭中心进行多次联邦学习以提升训练效果。
那么可选地,所述方法还包括:
S106、协调设备B判断是否满足再次训练条件。
在具体实施过程中,所述再次训练条件可以为接收到管理设备或管理用户指示的再次训练指示;也可以为协调设备B根据第三模型参数更新家庭健康管理模型后利用测试样本进行测试,测试得到的训练效果评价指标不符合预期的训练效果评价指标范围。
若所述步骤S106的结果为是,执行步骤S107;若所述步骤S106的结果为否,执行步骤S109。
S107、协调设备B向对应的家庭中心B下发再次训练指令和第三模型参数。
S108、家庭中心B响应于指定协调设备B发送的模型训练指令,利用第三模型参数更新家庭健康管理模型后,利用本地的训练样本训练家庭健康管理模型,得到梯度数据。返回所述步骤S104。
为了进一步地提升用户对家庭健康管理模型的训练过程的参与度,可以在上述家庭健康管理模型的训练过程中引入奖励机制,根据参与模型训练的家庭中心对模型训练更新的贡献给予相应家庭中心一定的更新贡献值,以提升用户的参与感。更新贡献值可以用于兑换虚拟奖励(例如用户的成就称号),也可以用于兑换实体奖品,此处不做限定。
相应地,上述方案中,所述步骤S105中,协调设备B得到第三模型参数后,还利用所述第三模型参数更新家庭健康管理模型,并利用测试样本对更新的家庭健康管理模型进行测试,得到第三训练效果评价指标。
所述步骤S109中,协调设备B还将第二模型参数对应的第三训练效果评价指标确定为第二训练效果评价指标并上传至管理设备。
所述步骤S110中,管理设备还接收各协调设备B上传的第二训练效果评价指标。
在所述步骤S112之后,所述方法还包括:
S115、对任一个协调设备B,管理设备根据所述协调设备B上传的第二训练效果评价指标和各协调设备B的第一训练效果评价指标,确定所述协调设备B对应的协调设备更新贡献值并下发给所述协调设备B。
S116、家庭中心B计算家庭健康管理模型的各特征的夏普利加法解释(SHapleyAdditive exPlanations,SHAP)值总和并上传至对应的协调设备B。
S117、协调设备B在接收协调设备更新贡献值及接收SHAP值总和之后,对任一个家庭中心B,根据所述家庭中心B上传的SHAP值总和、各家庭中心B上传的训练样本数量和协调设备更新贡献值确定家庭中心更新贡献值并发送给所述家庭中心B。
S118、家庭中心B接收家庭中心更新贡献值。
进一步地,所述步骤S115中,管理设备根据所述协调设备B上传的第二训练效果评价指标和各协调设备B的第一训练效果评价指标,确定所述协调设备B对应的协调设备更新贡献值,具体可以通过如下方式计算:
其中,i为序号且为正整数,Vci为第i个协调设备B的协调设备更新贡献值,Ainit为所述协调设备B的第一训练效果评价指标,AB为最优的第一训练效果评价指标,Amax为最大第一训练效果评价指标,Amin为最小第一训练效果评价指标,Wci为第i个协调设备的更新工作量。具体地,第i个协调设备的更新工作量Wci通过如下方式计算:
其中:
Ai为所述协调设备B上传的第二训练效果评价指标。
进一步地,所述步骤S116中,家庭中心B计算家庭健康管理模型的各特征的SHAP值总和,通过如下方式计算:
其中,j、k均为序号且均为正整数,SumSHAPj为第j个家庭中心的家庭健康管理模型的SHAP值总和,M为家庭健康管理模型的特征总数且为正整数,SHAPk为第k个特征对应的SHAP值。
SHAP值是一种用于解释机器学习模型中各特征的作用的参数。对于每个特征而言,其对应的SHAP值可解释为包含有此特征的模型对训练样本的预测结果减去不包含有此特征的模型对训练样本的预测结果。
进一步地,所述步骤S117中,根据所述家庭中心B上传的SHAP值总和、各家庭中心B上传的训练样本数量和协调设备更新贡献值确定家庭中心更新贡献值,通过如下方式计算:
其中,Vpj为第j个家庭中心B的家庭中心更新贡献值。
这样,本方案中除了为最终生成第一模型参数而做出直接贡献的家庭中心给出更新贡献值外,对于其它没有为生成第一模型参数做出直接贡献的家庭中心也给出一定合理的更新贡献值,有利于激励用户参与家庭健康管理模型的训练过程,以提升模型的训练效果。
可选地,为了避免在管理设备向协调设备C通知第一模型参数的过程中被非法设备攻击通信通道,进而篡改第一模型参数以使家庭中心C的家庭健康管理模型的使用效果劣化,所述步骤S112、管理设备将第一模型参数通知协调设备C,具体包括:
管理设备将第一模型参数发布至区块链中以通知协调设备C。
相应地,所述步骤S113、协调设备C获取第一模型参数并下发给对应的家庭中心C,具体包括:
协调设备C从所述区块链中获取第一模型参数,并下发给对应的家庭中心C。
在具体实施过程中,管理设备还可以根据需要,将本次训练过程中产生的关键信息发布至区块链中。例如,区块链中发布的区块信息可以如图2所示,其中每个区块分为区块头和区块主体,区块头中包括有上一区块的哈希值、本区块的时间戳、默克尔树、区块长度、启动模型训练指令、管理设备本次对第二模型参数进行测试的测试样本的标识、训练效果评价指标的类型,而区块主体包括第一模型参数和家庭健康管理模型的标识。
这样,通过利用区块链难以篡改、难以伪造的特点,保证了各协调设备获取的第一模型参数的准确性,同时建立了各协调设备对第一模型参数为最优的第二模型参数的信任及对更新贡献值的信任。
可选地,除上述的管理设备通过区块链向协调设备通知第一模型参数的步骤外,管理设备与协调设备、协调设备与家庭中心之间采用加密通信方式传输信息。具体可以采用对称加密算法或非对称加密算法对传输的信息进行通信。
基于上述发明构思,本发明实施例提供了一种家庭健康管理模型的使用方法,应用于家庭中心(例如家庭中心C),如图3所示,包括:
S304、在接收到管理设备通过所述家庭中心(例如家庭中心C)对应的协调设备(例如协调设备C)传递的第一模型参数后,利用所述第一模型参数对所述家庭健康管理模型进行更新;
S307、响应于家庭健康信息处理指令,使用所述家庭健康管理模型对与健康相关信息进行处理,得到家庭健康管理信息;
其中,所述第一模型参数是所述管理设备从多个协调设备(例如协调设备B)上传的第二模型参数中确定的;
协调设备(例如协调设备B)上传的第二模型参数是所述协调设备(例如协调设备B)利用对应的家庭中心(例如家庭中心B)上传的梯度数据聚合训练得到的;
所述梯度数据是家庭中心(例如家庭中心B)利用本地的训练样本训练家庭健康管理模型得到的。
若所述家庭中心C同时为上文所述的家庭中心B,相应地所述协调设备C同时为上文所述的协调设备B:
可选地,那么所述步骤S303之前,所述方法还包括:
S301、响应于所述协调设备(例如协调设备B)发送的模型训练指令,利用本地的训练样本训练所述家庭健康管理模型,得到梯度数据;其中所述模型训练指令为所述协调设备(例如协调设备B)根据所述管理设备的指示发送的;
S302、将所述梯度数据和训练样本数量上传至所述协调设备(例如协调设备B);以使所述协调设备(例如协调设备B)利用所述梯度数据和所述训练样本数量进行聚合训练得到第三模型参数,根据第三模型参数确定第二模型参数并上传至所述管理设备。
可选地,所述步骤S302之后,所述方法还包括:
S303、接收所述协调设备发送的再次训练指令和第三模型参数,利用所述第三模型参数更新所述家庭健康管理模型后再次利用本地的训练样本训练所述家庭健康管理模型,得到梯度数据;其中所述再次训练指令为所述协调设备确定满足再次训练条件时发送的指令,所述第三模型参数为所述协调设备确定满足所述再次训练条件时的第三模型参数。返回所述步骤S302。
可选地,所述步骤S304之后,所述方法还包括:
S305、计算所述家庭健康管理模型的各特征的夏普利加法解释SHAP值总和并上传至所述协调设备(例如协调设备B);以使所述协调设备(例如协调设备B)根据所述管理设备下发的协调设备更新贡献值、所述SHAP值总和、所述训练样本数量确定家庭中心更新贡献值并下发给所述家庭中心(例如家庭中心B);
S306、接收所述协调设备(例如协调设备B)发送的家庭中心更新贡献值。
在具体实施过程中,所述步骤S305-S306与所述步骤S307的执行顺序不作限定,既可以先执行所述步骤S307,再执行所述步骤S305-S306;也可以先执行所述步骤S305-S306,再执行所述步骤S307。
基于上述发明构思,本发明实施例还提供了一种家庭健康管理模型的训练方法,应用于协调设备(例如协调设备B),如图4和图5所示,包括:
S410、响应于管理设备发送的启动模型训练指令,向所述协调设备(例如协调设备B)对应的多个家庭中心(例如家庭中心A)下发模型训练指令;
S420、接收多个第一家庭中心(例如家庭中心B)上传的梯度数据和训练样本数量,利用所述梯度数据和所述训练样本数量对家庭健康管理模型进行聚合训练得到第三模型参数;其中所述第一家庭中心(例如家庭中心B)为被下发模型训练指令的家庭中心(例如家庭中心A)中的至少部分家庭中心,梯度数据为第一家庭中心(例如家庭中心B)利用本地的训练样本训练家庭健康管理模型得到的,训练样本数量为得到所述梯度数据所对应的参与训练的训练样本数量;
S430、根据所述第三模型参数确定第二模型参数;
S440、将所述第二模型参数上传至所述管理设备;
S450、获取所述管理设备确定的第一模型参数并发送给对应的多个家庭中心(例如家庭中心C);
其中,所述第一模型参数是所述管理设备从多个协调设备(例如协调设备B)上传的第二模型参数中选择的模型参数。
可选地,如图5所示,所述步骤S430、根据所述第三模型参数确定第二模型参数,包括:
S431、判断是否满足再次训练条件;
若所述步骤S431的结果为否,执行步骤S432;若所述步骤S431的结果为是,执行步骤S433。
S432、将当前的第三模型参数确定为第二模型参数;
S433、将再次训练指令和所述第三模型参数下发给所述第一家庭中心;返回所述步骤S420。
其中再次执行所述步骤S420时,接收的所述梯度数据为所述第一家庭中心利用下发的第三模型参数更新所述家庭健康管理模型后再次利用本地的训练样本训练所述家庭健康管理模型得到并上传的梯度数据,训练样本数量为得到所述梯度数据所对应的参与训练的训练样本数量。
可选地,如图4和图5所示,所述步骤S420之后,还包括:
S421、利用所述第三模型参数更新家庭健康管理模型,并利用测试样本对更新的家庭健康管理模型进行测试,得到第三训练效果评价指标;
所述步骤S430之后,还包括:
S434、将所述第二模型参数对应的第三训练效果评价指标确定为第二训练效果评价指标;
所述步骤S440、将所述第二模型参数上传至所述管理设备,具体包括:
将所述第二模型参数和所述第二训练效果评价指标上传至所述管理设备;
所述步骤S450之后,所述方法还包括:
S460、接收所述管理设备下发的协调设备更新贡献值;其中所述协调设备更新贡献值是所述管理设备根据所述第二训练效果评价指标和各协调设备(例如协调设备B)对应的第一训练效果评价指标确定的;所述第一训练效果评价指标为管理设备分别利用各协调设备(例如协调设备B)上传的第二模型参数更新家庭健康管理模型后,利用测试样本对家庭健康管理模型进行测试得到的训练效果评价指标;
S470、接收各所述第一家庭中心(例如家庭中心B)上传的家庭健康管理模型的各特征的SHAP值总和;
在具体实施过程中,所述步骤S460与所述步骤S470的执行顺序不作具体限定,可以先执行所述步骤S460再执行所述步骤S470,也可以先执行所述步骤S470再执行所述步骤S460,图4中以先执行所述步骤S460再执行所述步骤S470为例进行示意。
S480、针对任一第一家庭中心(例如家庭中心B),根据所述第一家庭中心(例如家庭中心B)上传的SHAP值总和、各第一家庭中心(例如家庭中心B)上传的训练样本数量和所述协调设备更新贡献值确定家庭中心更新贡献值并发送给所述第一家庭中心(例如家庭中心B)。
可选地,所述步骤S450中,获取所述管理设备确定的第一模型参数,包括:
获取所述管理设备确定并发布在区块链中的第一模型参数。
基于上述发明构思,本发明实施例还提供了一种家庭健康管理模型的训练方法,应用于管理设备,如图6所示,包括:
S501、响应于触发训练指令,向多个协调设备(例如协调设备A)下发启动模型训练指令;
S502、接收多个第一协调设备(例如协调设备B)上传的第二模型参数,其中所述第二模型参数是第一协调设备(例如协调设备B)根据对应的家庭中心(例如家庭中心B)上传的梯度数据聚合训练得到的第三模型参数确定的;所述第一协调设备(例如协调设备B)为被下发启动模型训练指令的协调设备(例如协调设备A)中至少部分的协调设备;
S503、对任一个第二模型参数,利用所述第二模型参数更新家庭健康管理模型后,利用测试样本对所述家庭健康管理模型进行测试得到的第一训练效果评价指标;
S504、将最优第一训练效果评价指标对应的第二模型参数确定为第一模型参数,并将所述第一模型参数通知各协调设备(例如协调设备C);以使各协调设备(例如协调设备C)将所述第一模型参数发送给对应的家庭中心(例如家庭中心C)以更新所述家庭中心(例如家庭中心C)的家庭健康管理模型。
可选地,所述步骤S502、接收多个第一协调设备上传的第二模型参数,具体包括:
接收多个第一协调设备上传的第二模型参数和第二训练效果评价指标;其中第二训练效果评价指标为对应的第一协调设备利用第二模型参数更新家庭健康管理模型后,利用测试样本对更新的家庭健康管理模型测试得到的;
所述步骤S504之后,所述方法还包括:
S505、对任一个第一协调设备(例如协调设备B),根据所述第一协调设备(例如协调设备B)上传的第二训练效果评价指标和各所述第一协调设备(例如协调设备B)的第一训练效果评价指标,确定所述第一协调设备(例如协调设备B)对应的协调设备更新贡献值并下发给所述第一协调设备(例如协调设备B);以使所述第一协调设备(例如协调设备B)根据所述协调设备更新贡献值确定对应的各家庭中心(例如家庭中心B)的家庭中心更新贡献值。
可选地,所述步骤S505中,将所述第一模型参数通知各协调设备(例如协调设备C),包括:
将所述第一模型参数发布至区块链中,以使各协调设备(例如协调设备C)从所述区块链中获取所述第一模型参数。
基于同一发明构思,本发明实施例提供了一种家庭健康管理模型的使用装置,如图7所示,包括:
模型更新模块M106,用于在接收到管理设备通过所述家庭中心对应的协调设备传递的第一模型参数后,利用所述第一模型参数对所述家庭健康管理模型进行更新;
使用模块M107,用于响应于家庭健康信息处理指令,使用所述家庭健康管理模型对与健康相关信息进行处理,得到家庭健康管理信息;
其中,所述第一模型参数是所述管理设备从多个协调设备上传的第二模型参数中选择的模型参数;
协调设备上传的第二模型参数是所述协调设备利用对应的家庭中心上传的梯度数据聚合训练得到的;
所述梯度数据是家庭中心利用本地的训练样本训练家庭健康管理模型得到的。
可选地,所述装置还包括:
模型训练模块M101,用于响应于所述协调设备发送的模型训练指令,利用本地的训练样本训练所述家庭健康管理模型,得到梯度数据;其中所述模型训练指令为所述协调设备根据所述管理设备的指示发送的;
梯度数据上传模块M102,用于将所述梯度数据和训练样本数量上传至所述协调设备;以使所述协调设备利用梯度数据和所述训练样本数量进行聚合训练得到第三模型参数,根据第三模型参数确定第二模型参数并上传至所述管理设备。
可选地,所述装置还包括:
再次训练模块M103,用于接收所述协调设备发送的再次训练指令和第三模型参数,利用所述第三模型参数更新所述家庭健康管理模型后再次利用本地的训练样本训练所述家庭健康管理模型,得到梯度数据;其中所述再次训练指令为所述协调设备确定满足再次训练条件时发送的指令,所述第三模型参数为所述协调设备确定满足所述再次训练条件时的第三模型参数;将所述梯度数据和训练样本数量上传至所述协调设备。
可选地,利用所述第一模型参数对所述家庭健康管理模型进行更新之后,所述方法还包括:
更新贡献依据确定模块M104,用于计算所述家庭健康管理模型的各特征的夏普利加法解释SHAP值总和并上传至所述协调设备;以使所述协调设备根据所述管理设备下发的协调设备更新贡献值、所述SHAP值总和、所述训练样本数量确定家庭中心更新贡献值并下发给所述家庭中心;
更新贡献值接收模块M105,用于接收所述协调设备发送的家庭中心更新贡献值。
基于同一发明构思,本发明实施例还提供了一种家庭健康管理模型的训练装置,如图8所示,包括:
启动模块M201,用于响应于管理设备发送的启动模型训练指令,向所述协调设备对应的多个家庭中心下发模型训练指令;
聚合训练模块M202,用于接收多个第一家庭中心上传的梯度数据和训练样本数量,利用所述梯度数据和所述训练样本数量对家庭健康管理模型进行聚合训练得到第三模型参数,根据所述第三模型参数确定第二模型参数,将所述第二模型参数上传至所述管理设备;其中所述第一家庭中心为被下发模型训练指令的家庭中心中的至少部分家庭中心,梯度数据为第一家庭中心利用本地的训练样本训练家庭健康管理模型得到的,训练样本数量为得到所述梯度数据所对应的参与训练的训练样本数量;
更新模块M203,用于获取所述管理设备确定的第一模型参数并发送给对应的多个家庭中心;
其中,所述第一模型参数是所述管理设备从多个协调设备上传的第二模型参数中选择的模型参数。
可选地,根据所述第三模型参数确定第二模型参数,包括:
判断是否满足再次训练条件;
若不满足,则将当前的第三模型参数确定为第二模型参数;
若满足,则将再次训练指令和所述第三模型参数下发给所述第一家庭中心;再次接收所述第一家庭中心上传的梯度数据和训练样本数量,利用所述梯度数据和训练样本数量对家庭健康管理模型再次进行聚合训练得到第三模型参数;其中再次接收的所述梯度数据为所述第一家庭中心利用下发的第三模型参数更新所述家庭健康管理模型后再次利用本地的训练样本训练所述家庭健康管理模型得到并上传的梯度数据,训练样本数量为得到所述梯度数据所对应的参与训练的训练样本数量。
可选地,所述聚合训练模块M202还用于:
利用所述梯度数据和所述训练样本数量对家庭健康管理模型进行聚合训练得到第三模型参数之后,利用所述第三模型参数更新家庭健康管理模型,并利用测试样本对更新的家庭健康管理模型进行测试,得到第三训练效果评价指标;
根据所述第三模型参数确定第二模型参数之后,将所述第二模型参数对应的第三训练效果评价指标确定为第二训练效果评价指标;
将所述第二模型参数上传至所述管理设备的同时,将所述第二训练效果评价指标上传至所述管理设备;
所述装置还包括:
总更新贡献值接收模块M204,用于接收所述管理设备下发的协调设备更新贡献值;其中所述协调设备更新贡献值是所述管理设备根据所述第二训练效果评价指标和各协调设备对应的第一训练效果评价指标确定的;所述第一训练效果评价指标为管理设备分别利用各协调设备上传的第二模型参数更新家庭健康管理模型后,利用测试样本对家庭健康管理模型进行测试得到的训练效果评价指标;
更新贡献依据接收模块M205,用于接收各所述第一家庭中心上传的家庭健康管理模型的各特征的SHAP值总和;
更新贡献值分配模块M206,用于针对任一第一家庭中心,根据所述第一家庭中心上传的SHAP值总和、各第一家庭中心上传的训练样本数量和所述协调设备更新贡献值确定家庭中心更新贡献值并发送给所述第一家庭中心。
可选地,获取所述管理设备确定的第一模型参数,包括:
获取所述管理设备确定并发布在区块链中的第一模型参数。
基于同一发明构思,本发明实施例还提供了一种家庭健康管理模型的训练装置,如图9所示,包括:
初始化模块M301,用于响应于触发训练指令,向多个协调设备下发启动模型训练指令;
训练结果接收模块M302,用于接收多个第一协调设备上传的第二模型参数,其中所述第二模型参数是第一协调设备根据对应的家庭中心上传的训练得到的梯度数据聚合训练得到的第三模型参数确定的;所述第一协调设备为被下发启动模型训练指令的协调设备中至少部分的协调设备;
验证模块M303,用于对任一个第二模型参数,利用所述第二模型参数更新家庭健康管理模型后,利用测试样本对所述家庭健康管理模型进行测试得到的第一训练效果评价指标;
模型参数确定模块M304,用于将最优第一训练效果评价指标对应的第二模型参数确定为第一模型参数,并将所述第一模型参数通知各协调设备;以使各协调设备将所述第一模型参数发送给对应的家庭中心以更新家庭中心的家庭健康管理模型。
可选地,所述训练结果接收模块M302,还用于接收多个第一协调设备上传的第二模型参数的同时,接收所述第一协调设备上传的第二训练效果评价指标;其中第二训练效果评价指标为对应的第一协调设备利用第二模型参数更新家庭健康管理模型后,利用测试样本对更新的家庭健康管理模型测试得到的;
所述装置还包括:
总更新贡献值确定模块M305,用于对任一个第一协调设备,根据所述第一协调设备上传的第二训练效果评价指标和各第一协调设备的第一训练效果评价指标,确定所述第一协调设备对应的协调设备更新贡献值并下发给所述第一协调设备;以使所述第一协调设备根据所述协调设备更新贡献值确定对应的各家庭中心的家庭中心更新贡献值。
可选地,将所述第一模型参数通知各协调设备,包括:
将所述第一模型参数发布至区块链中,以使各协调设备从所述区块链中获取所述第一模型参数。
需要说明的是,本发明实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。另外,在本申请各个实施例中的各模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
由于上述装置的各个模块执行操作的具体方式已经在有关方法的实施例中进行了详细描述,故此处不再赘述。
基于同一发明构思,本发明实施例还提供了一种电子设备,如图10所示,包括:处理器110和用于存储所述处理器110可执行指令的存储器120;其中,所述处理器110被配置为执行所述指令,以实现所述的应用于家庭中心的家庭健康管理模型的使用方法,或者实现所述的应用于协调设备的家庭健康管理模型的训练方法,或者实现所述的应用于管理设备的家庭健康管理模型的训练方法。
在具体实施过程中,所述设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器110、存储器120、计算机可读存储介质130,所述存储器120和/或计算机可读存储介质130中包括一个或一个以上应用程序131或数据132。所述存储器120和/或计算机可读存储介质130中还可以包括一个或一个以上操作系统133,例如Windows、Mac OS、Linux、IOS、Android、Unix、FreeBSD等。其中,存储器120和计算机可读存储介质130可以是短暂存储或持久存储。所述应用程序131可以包括一个或一个以上所述模块(图10中未示出),每个模块可以包括一系列指令操作。更进一步地,处理器110可以设置为与计算机可读存储介质130通信,在所述设备上执行计算机可读存储介质130中的一系列指令操作。所述设备还可以包括一个或一个以上电源(图10中未示出);一个或一个以上网络接口140,所述网络接口140包括有线网络接口141和/或无线网络接口142;一个或一个以上输入输出接口143。
基于同一发明构思,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被用于实现所述的应用于家庭中心的家庭健康管理模型的使用方法,或者实现所述的应用于协调设备的家庭健康管理模型的训练方法,或者实现所述的应用于管理设备的家庭健康管理模型的训练方法。
本发明实施例提供的家庭健康管理模型的使用与训练方法,通过采用联邦学习的架构,家庭中心分别利用各自本地保存的训练样本进行训练得到梯度数据,将梯度数据上传至协调设备进行聚合训练得到模型参数。这样能够使用户的健康相关信息不会被上传,从而保证了用户的数据安全的同时实现了对家庭健康管理模型的训练。此外,上述方案中通过设置多个协调设备进行聚合训练分别得到不同的模型参数,由管理设备决定最终采用的模型参数来更新家庭中心的家庭健康管理模型,能够避免部分家庭中心利用其本地较差的训练样本进行训练从而最终影响整个家庭健康管理系统的模型训练效果,从而提升了最终的训练效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种家庭健康管理模型的使用方法,其特征在于,应用于家庭中心,包括:
在接收到管理设备通过所述家庭中心对应的协调设备传递的第一模型参数后,利用所述第一模型参数对所述家庭健康管理模型进行更新;
响应于家庭健康信息处理指令,使用所述家庭健康管理模型对与健康相关信息进行处理,得到家庭健康管理信息;
其中,所述第一模型参数是所述管理设备从多个协调设备上传的第二模型参数中选择的模型参数;
协调设备上传的第二模型参数是所述协调设备利用对应的家庭中心上传的梯度数据聚合训练得到的;
所述梯度数据是家庭中心利用本地的训练样本训练家庭健康管理模型得到的。
2.如权利要求1所述的方法,其特征在于,接收管理设备通过所述第一家庭中心对应的协调设备传递的第一模型参数之前,所述方法还包括:
响应于所述协调设备发送的模型训练指令,利用本地的训练样本训练所述家庭健康管理模型,得到梯度数据;其中所述模型训练指令为所述协调设备根据所述管理设备的指示发送的;
将所述梯度数据和训练样本数量上传至所述协调设备;以使所述协调设备利用梯度数据和所述训练样本数量进行聚合训练得到第三模型参数,根据第三模型参数确定第二模型参数并上传至所述管理设备。
3.如权利要求2所述的方法,其特征在于,将所述梯度数据和训练样本数量上传至所述协调设备之后,所述方法还包括:
接收所述协调设备发送的再次训练指令和第三模型参数,利用所述第三模型参数更新所述家庭健康管理模型后再次利用本地的训练样本训练所述家庭健康管理模型,得到梯度数据;其中所述再次训练指令为所述协调设备确定满足再次训练条件时发送的指令,所述第三模型参数为所述协调设备确定满足所述再次训练条件时的第三模型参数;
将所述梯度数据和训练样本数量上传至所述协调设备。
4.如权利要求2所述的方法,其特征在于,利用所述第一模型参数对所述家庭健康管理模型进行更新之后,所述方法还包括:
计算所述家庭健康管理模型的各特征的夏普利加法解释SHAP值总和并上传至所述协调设备;以使所述协调设备根据所述管理设备下发的协调设备更新贡献值、所述SHAP值总和、所述训练样本数量确定家庭中心更新贡献值并下发给所述家庭中心;
接收所述协调设备发送的家庭中心更新贡献值。
5.一种家庭健康管理模型的训练方法,其特征在于,应用于协调设备,包括:
响应于管理设备发送的启动模型训练指令,向所述协调设备对应的多个家庭中心下发模型训练指令;
接收多个第一家庭中心上传的梯度数据和训练样本数量,利用所述梯度数据和所述训练样本数量对家庭健康管理模型进行聚合训练得到第三模型参数,根据所述第三模型参数确定第二模型参数,将所述第二模型参数上传至所述管理设备;其中所述第一家庭中心为被下发模型训练指令的家庭中心中的至少部分家庭中心,梯度数据为第一家庭中心利用本地的训练样本训练家庭健康管理模型得到的,训练样本数量为得到所述梯度数据所对应的参与训练的训练样本数量;
获取所述管理设备确定的第一模型参数并发送给对应的多个家庭中心;
其中,所述第一模型参数是所述管理设备从多个协调设备上传的第二模型参数中选择的模型参数。
6.如权利要求5所述的方法,其特征在于,根据所述第三模型参数确定第二模型参数,包括:
判断是否满足再次训练条件;
若不满足,则将当前的第三模型参数确定为第二模型参数;
若满足,则将再次训练指令和所述第三模型参数下发给所述第一家庭中心;再次接收所述第一家庭中心上传的梯度数据和训练样本数量,利用所述梯度数据和训练样本数量对家庭健康管理模型再次进行聚合训练得到第三模型参数;其中再次接收的所述梯度数据为所述第一家庭中心利用下发的第三模型参数更新所述家庭健康管理模型后再次利用本地的训练样本训练所述家庭健康管理模型得到并上传的梯度数据,训练样本数量为得到所述梯度数据所对应的参与训练的训练样本数量。
7.如权利要求5所述的方法,其特征在于,利用所述梯度数据和所述训练样本数量对家庭健康管理模型进行聚合训练得到第三模型参数之后,还包括:
利用所述第三模型参数更新家庭健康管理模型,并利用测试样本对更新的家庭健康管理模型进行测试,得到第三训练效果评价指标;
根据所述第三模型参数确定第二模型参数之后,还包括:
将所述第二模型参数对应的第三训练效果评价指标确定为第二训练效果评价指标;
将所述第二模型参数上传至所述管理设备的同时,还包括:
将所述第二训练效果评价指标上传至所述管理设备;
获取所述管理设备确定的第一模型参数并发送给对应的家庭中心之后,所述方法还包括:
接收所述管理设备下发的协调设备更新贡献值;其中所述协调设备更新贡献值是所述管理设备根据所述第二训练效果评价指标和各协调设备对应的第一训练效果评价指标确定的;所述第一训练效果评价指标为管理设备分别利用各协调设备上传的第二模型参数更新家庭健康管理模型后,利用测试样本对家庭健康管理模型进行测试得到的训练效果评价指标;
接收各所述第一家庭中心上传的家庭健康管理模型的各特征的SHAP值总和;
针对任一第一家庭中心,根据所述第一家庭中心上传的SHAP值总和、各第一家庭中心上传的训练样本数量和所述协调设备更新贡献值确定家庭中心更新贡献值并发送给所述第一家庭中心。
8.一种家庭健康管理模型的训练方法,其特征在于,应用于管理设备,包括:
响应于触发训练指令,向多个协调设备下发启动模型训练指令;
接收多个第一协调设备上传的第二模型参数,其中所述第二模型参数是第一协调设备根据对应的家庭中心上传的训练得到的梯度数据聚合训练得到的第三模型参数确定的;所述第一协调设备为被下发启动模型训练指令的协调设备中至少部分的协调设备;
对任一个第二模型参数,利用所述第二模型参数更新家庭健康管理模型后,利用测试样本对所述家庭健康管理模型进行测试得到的第一训练效果评价指标;
将最优第一训练效果评价指标对应的第二模型参数确定为第一模型参数,并将所述第一模型参数通知各协调设备;以使各协调设备将所述第一模型参数发送给对应的家庭中心以更新家庭中心的家庭健康管理模型。
9.如权利要求8所述的方法,其特征在于,接收多个第一协调设备上传的第二模型参数的同时,还包括:
接收所述第一协调设备上传的第二训练效果评价指标;其中第二训练效果评价指标为对应的第一协调设备利用第二模型参数更新家庭健康管理模型后,利用测试样本对更新的家庭健康管理模型测试得到的;
确定第一模型参数之后,所述方法还包括:
对任一个第一协调设备,根据所述第一协调设备上传的第二训练效果评价指标和各第一协调设备的第一训练效果评价指标,确定所述第一协调设备对应的协调设备更新贡献值并下发给所述第一协调设备;以使所述第一协调设备根据所述协调设备更新贡献值确定对应的各家庭中心的家庭中心更新贡献值。
10.如权利要求8所述的方法,其特征在于,将所述第一模型参数通知各协调设备,包括:
将所述第一模型参数发布至区块链中,以使各协调设备从所述区块链中获取所述第一模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111613513.6A CN114418132A (zh) | 2021-12-27 | 2021-12-27 | 家庭健康管理模型的使用与训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111613513.6A CN114418132A (zh) | 2021-12-27 | 2021-12-27 | 家庭健康管理模型的使用与训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114418132A true CN114418132A (zh) | 2022-04-29 |
Family
ID=81269307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111613513.6A Pending CN114418132A (zh) | 2021-12-27 | 2021-12-27 | 家庭健康管理模型的使用与训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114418132A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490738A (zh) * | 2019-08-06 | 2019-11-22 | 深圳前海微众银行股份有限公司 | 一种混合联邦学习方法及架构 |
CN111325353A (zh) * | 2020-02-28 | 2020-06-23 | 深圳前海微众银行股份有限公司 | 训练数据集的贡献度计算方法、装置、设备及存储介质 |
CN112289448A (zh) * | 2020-11-06 | 2021-01-29 | 新智数字科技有限公司 | 一种基于联合学习的健康风险预测方法和装置 |
CN112447299A (zh) * | 2020-12-01 | 2021-03-05 | 平安科技(深圳)有限公司 | 医护资源预测模型训练方法、装置、设备及存储介质 |
CN113326948A (zh) * | 2021-06-01 | 2021-08-31 | 深圳前海微众银行股份有限公司 | 联邦学习模型的数据处理方法、装置、设备及存储介质 |
-
2021
- 2021-12-27 CN CN202111613513.6A patent/CN114418132A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490738A (zh) * | 2019-08-06 | 2019-11-22 | 深圳前海微众银行股份有限公司 | 一种混合联邦学习方法及架构 |
CN111325353A (zh) * | 2020-02-28 | 2020-06-23 | 深圳前海微众银行股份有限公司 | 训练数据集的贡献度计算方法、装置、设备及存储介质 |
CN112289448A (zh) * | 2020-11-06 | 2021-01-29 | 新智数字科技有限公司 | 一种基于联合学习的健康风险预测方法和装置 |
CN112447299A (zh) * | 2020-12-01 | 2021-03-05 | 平安科技(深圳)有限公司 | 医护资源预测模型训练方法、装置、设备及存储介质 |
CN113326948A (zh) * | 2021-06-01 | 2021-08-31 | 深圳前海微众银行股份有限公司 | 联邦学习模型的数据处理方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
郭炜炜等: "SAR图像目标识别的可解释性问题探讨", 《雷达学报》, no. 03, 31 December 2020 (2020-12-31) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165515A (zh) | 基于联邦学习的模型参数获取方法、系统及可读存储介质 | |
CN110929886B (zh) | 模型训练、预测方法及其系统 | |
CN109284313B (zh) | 基于半监督学习的联邦建模方法、设备及可读存储介质 | |
CN110795477A (zh) | 数据的训练方法及装置、系统 | |
CN110766080B (zh) | 一种标注样本确定方法、装置、设备及存储介质 | |
Roy et al. | Security and discoverability of spread dynamics in cyber-physical networks | |
CN114819190A (zh) | 基于联邦学习的模型训练方法、装置、系统、存储介质 | |
CN111898137A (zh) | 一种联邦学习的隐私数据处理方法、设备及系统 | |
CN110610242A (zh) | 一种联邦学习中参与者权重的设置方法及装置 | |
CN108280477A (zh) | 用于聚类图像的方法和装置 | |
CN111949890A (zh) | 基于医学领域的数据推荐方法、设备、服务器及存储介质 | |
US20150224362A1 (en) | Automatic Recognition, Learning, Monitoring, and Management of Human Physical Activities | |
CN103942197B (zh) | 数据监控处理方法及设备 | |
CN109656878B (zh) | 健康档案数据生成方法及装置 | |
CN106510736B (zh) | 基于多维心理状态指标的心理状态判定方法与系统 | |
CN111816300A (zh) | 基于深度强化学习的数据分类方法、装置、设备及介质 | |
CN113569151B (zh) | 基于人工智能的数据推荐方法、装置、设备及介质 | |
CN112381000A (zh) | 基于联邦学习的人脸识别方法、装置、设备及存储介质 | |
CN112182394A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN112289423A (zh) | 一种基于智慧社区病患的复诊及康复的方法及系统 | |
CN114218174B (zh) | 基于区块链的工业互联网数据存储方法、系统及存储介质 | |
CN108229545A (zh) | 青光眼诊断的方法、装置及电子设备 | |
CN109598289B (zh) | 跨平台的数据处理方法、装置、设备及可读存储介质 | |
CN112966307B (zh) | 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 | |
CN114418132A (zh) | 家庭健康管理模型的使用与训练方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |