[发明专利]一种基于半监督-迁移学习的分布式隐私保护方法及系统

权利要求书

1.一种基于半监督-迁移学习的分布式隐私保护方法，其特征在于，所述方法包括：

构建分布式模型；所述分布式模型包括一个学生模型和多个教师模型；

以标注好疾病类别的图像数据集为输入，对所述分布式模型中的教师模型进行训练，得到训练好的教师模型；所述教师模型的输出为疾病类别；

将未标注疾病类别的图像数据集输入至所述训练好的教师模型，得到疾病类别数据集；

对多个所述训练好的教师模型输出的所述疾病类别数据集进行加密处理，确定参考疾病类别数据集；

以所述未标注疾病类别的图像数据集为输入，以所述参考疾病类别数据集为输出，对所述分布式模型中的学生模型进行训练，得到训练好的学生模型；

将待诊断疾病类别的图像数据输入所述训练好的学生模型，得到待诊断疾病的疾病类别。

2.根据权利要求1所述的基于半监督-迁移学习的分布式隐私保护方法，其特征在于，采用resnet-50作为所述分布式模型中的教师模型；所述教师模型的分类层的类别数为所述标注好疾病类别的图像数据集中疾病类别的数量。

3.根据权利要求1所述的基于半监督-迁移学习的分布式隐私保护方法，其特征在于，所述对多个所述训练好的教师模型输出的所述疾病类别数据集进行加密处理，确定参考疾病类别数据集，具体包括：

对多个所述训练好的教师模型输出的所述疾病类别数据集进行加噪，得到多个预测分类数据集；

对所述多个预测分类数据集应用投票机制，确定参考疾病类别数据集。

4.根据权利要求3所述的基于半监督-迁移学习的分布式隐私保护方法，其特征在于，通过随机响应算法进行加噪。

5.根据权利要求1所述的基于半监督-迁移学习的分布式隐私保护方法，其特征在于，所述分布式模型中的学生模型应用损失函数对所述参考疾病类别数据集进行降噪；所述损失函数为对称交叉熵函数或标签平滑正则化方法。

6.一种基于半监督-迁移学习的分布式隐私保护系统，其特征在于，所述系统包括：

构建模块，用于构建分布式模型；所述分布式模型包括一个学生模型和多个教师模型；

第一训练模块，用于以标注好疾病类别的图像数据集为输入，对所述分布式模型中的教师模型进行训练，得到训练好的教师模型；所述教师模型的输出为疾病类别；

疾病类别数据集确定模块，用于将未标注疾病类别的图像数据集输入至所述训练好的教师模型，得到疾病类别数据集；

参考疾病类别数据集确定模块，用于对多个所述训练好的教师模型输出的所述疾病类别数据集进行加密处理，确定参考疾病类别数据集；

第二训练模块，用于以所述未标注疾病类别的图像数据集为输入，以所述参考疾病类别数据集为输出，对所述分布式模型中的学生模型进行训练，得到训练好的学生模型；

诊断结果输出模块，用于将待诊断疾病类别的图像数据输入所述训练好的学生模型，得到待诊断疾病的疾病类别。

7.根据权利要求6所述的基于半监督-迁移学习的分布式隐私保护系统，其特征在于，采用resnet-50作为所述分布式模型中的教师模型；所述教师模型的分类层的类别数设置为所述标注好疾病类别的图像数据集中疾病类别的数量。

8.根据权利要求6所述的基于半监督-迁移学习的分布式隐私保护系统，其特征在于，所述参考疾病类别数据集确定模块包括：

预测分类数据集确定子模块，用于对多个所述训练好的教师模型输出的所述疾病类别数据集进行加噪，得到多个预测分类数据集；

参考疾病类别数据集确定子模块，用于对所述多个预测分类数据集应用投票机制，确定参考疾病类别数据集。

9.根据权利要求8所述的基于半监督-迁移学习的分布式隐私保护系统，其特征在于，通过随机响应算法进行加噪。

10.根据权利要求6所述的基于半监督-迁移学习的分布式隐私保护系统，其特征在于，所述分布式模型中的学生模型应用损失函数对所述参考疾病类别数据集进行降噪；所述损失函数为对称交叉熵函数或标签平滑正则化方法。