[发明专利]健康风险等级评估模型的训练方法及装置

权利要求书

1.一种健康风险等级评估模型的训练方法，其特征在于，应用于第一参与方设备，所述健康风险等级评估模型由纵向联邦异构神经网络构成，所述纵向联邦异构神经网络包括所述第一参与方设备中的第一局部子模型、第二参与方设备中的第二局部子模型、交互层子模型和顶层子模型，所述方法包括：

获取所述第一参与方设备中的第一医疗数据；所述第一医疗数据拥有标签值，且所述第一医疗数据包括结构化数据、半结构化数据和非结构化数据中的至少一种；

基于所述第一医疗数据的数据类型对应的特征提取规则，对所述第一医疗数据进行特征提取，获得所述第一医疗数据的第一特征信息；

将所述第一特征信息输入至所述第一局部子模型，获得所述第一参与方设备的第一中间结果；

与所述第二参与方设备进行交互，获得所述交互层子模型的交互层输出数据；其中，所述交互层子模型用于拼接所述第一中间结果和第二中间结果，所述第二参与方设备将第二特征信息输入所述第二局部子模型得到所述第二中间结果；

将所述交互层输出数据输入至所述顶层子模型，获得顶层输出数据，根据所述顶层输出数据和所述标签值计算最终误差，并反向传播所述最终误差以更新所述纵向联邦异构神经网络中各层模型的模型参数，循环迭代直到满足预设停止条件时，将完成训练的纵向联邦异构神经网络确定为所述健康风险等级评估模型。

2.如权利要求1所述的方法，其特征在于，所述数据类型包括数值型、类别型和文本型；其中，针对所述数值型的医疗数据，采用Min-Max标准化进行特征提取；针对所述类别型的医疗数据，采用独热One-Hot编码进行特征提取；针对所述文本型的医疗数据，采用词向量模型Word2Vector进行特征提取。

3.如权利要求1所述的方法，其特征在于，所述与所述第二参与方设备进行交互，获得所述交互层子模型的交互层输出数据，包括：

采用所述第一中间结果和所述交互层子模型中与所述第一参与方设备对应的第一权重计算得到第一拼接部分；

接收所述第二参与方设备发送的第二加密中间结果，其中，所述第二参与方设备对所述第二中间结果进行加密，得到所述第二加密中间结果；

采用所述第二加密中间结果和所述交互层子模型中与所述第二参与方设备对应的带累积噪声的第二权重计算得到第二加密拼接部分；

对所述第二加密拼接部分进行加噪声操作，并将加噪声的第二加密拼接部分返回给所述第二参与方设备，以使所述第二参与方设备采用对所述加噪声的第二加密拼接部分进行解密，并对解密结果进行去除累积噪声操作得到第二带噪声拼接部分；

对从所述第二参与方设备接收到的所述第二带噪声拼接部分进行去噪声操作，得到所述第二拼接部分；

采用所述交互层子模型对所述第一拼接部分和所述第二拼接部分进行拼接，得到所述交互层输出数据。

4.如权利要求1至3中任一项所述的方法，其特征在于，所述反向传播所述最终误差以更新所述纵向联邦异构神经网络中各层模型的模型参数，包括：

采用所述最终误差计算所述顶层子模型的模型参数对应的顶层梯度，并根据所述顶层梯度更新所述顶层子模型的模型参数；

根据所述最终误差计算得到交互层误差，并根据所述交互层误差和所述第一中间结果计算得到所述第一参与方设备对应的第一权重的第一梯度，以及根据所述交互层误差和所述第一权重计算得到第一局部子模型误差；

采用所述交互层误差和所述第二参与方设备进行交互计算，得到所述第二参与方设备对应的第二权重的第二带噪声梯度和加密的第二局部子模型误差；

采用所述第二带噪声梯度更新所述第二参与方设备对应的带累积噪声的第二权重，采用所述第一梯度更新所述交互层子模型中的所述第一权重，并根据所述第一局部子模型误差更新所述第一局部子模型的模型参数；

将所述加密的第二局部子模型误差发送给所述第二参与方设备，以使所述第二参与方设备对所述加密的第二局部子模型误差进行解密后，采用解密结果更新所述第二局部子模型的模型参数。