[发明专利]基于动态神经网络的医疗隐私数据识别方法

权利要求书

1.一种基于动态神经网络的医疗隐私数据识别方法，其特征在于，包括：

A)从医疗隐私数据库中依次采集原始数据p、目标数据q，从原始数据p中选取易受攻击数据r，在易受攻击数据r上加入服从拉普拉斯分布的随机噪声，得到差分隐私数据μ；

B)从差分隐私数据μ中提取特征向量γ，根据特征向量γ计算得到嵌入数据z，并根据嵌入数据z计算得到特征数据s；

C)根据特征数据s通过正参考模型法计算得到参考数据ξ；

D)构建标记数据t：

D1)将目标数据q加入到参考数据ξ中得到联合数据u；

D2)根据联合数据u，分别利用联合建模法和联邦学习法计算得到建模数据j和联邦数据g，并用这两种数据组成标记数据t；

E)对标记数据t分别按照70％，20％，10％进行抽取，组成训练样本集，测试样本集，验证样本集，获得验证样本集中的真实标签值a；

F)构建依次由输入层，隐藏层，输出层级联组成的动态神经网络；

G)设置最大迭代轮次数为100，将训练样本集和测试样本集输入到动态神经网络中，利用动态学习方法进行动态神经网络的训练，直到动态神经网络达到最大迭代轮次数，得到训练好的动态神经网络；

H)将验证样本集中标记数据输入到已经训练好的动态神经网络中，得到医疗隐私数据识别结果。

2.根据权利要求1所述的方法，其特征在于，A)中服从拉普拉斯分布的随机噪声，表示如下：

其中，v表示服从拉普拉斯分布的随机噪声，λ表示位置参数，m表示尺度参数。

3.根据权利要求1所述的方法，其特征在于，B)中从差分隐私数据μ中提取特征向量γ，根据特征向量γ计算得到嵌入数据z，根据嵌入数据z计算得到特征数据s，实现如下：

B1)根据差分隐私数据μ计算聚类簇：其中，μ表示差分隐私数据；

B2)根据聚类簇计算特征向量：其中，k表示特征类别数,β表示特征函数，λ表示平滑参数；

B3)根据特征向量γ计算得到嵌入数据：z＝α(γ,θ)，其中，α表示嵌入函数，θ表示嵌入参数；

B4)根据嵌入数据z计算得到特征数据：其中，f表示特征函数，δ表示类别参数，表示标准参数。

4.根据权利要求1所述的方法，其特征在于，C)中根据特征数据s通过正参考模型法计算得到参考数据ξ，实现如下：

C1)将特征数据s变换为行正交数据τ；

C2)根据行正交数据τ计算得到参考数据：

其中，表示优化率，c表示分类行参数，c′表示与c不同行的分类行参数，d表示分类列参数。

5.根据权利要求1所述的方法，其特征在于，D2)根据联合数据u，分别利用联合建模法和联邦学习法计算得到建模数据j和联邦数据g，实现如下：

D2.1)根据联合数据u求出对应的因子矩阵参数梯度R；

D2.2)对因子矩阵参数梯度R进行梯度压缩，得到建模参数梯度Ψ；

D2.3)聚合建模参数梯度Ψ，得到建模因子矩阵Θ，根据建模因子矩阵计算得到建模数据：j＝2ω∑ΘΩ，其中，ω表示建模参数，Ω表示建模矩阵；

D2.4)将D2.3)得到的建模因子矩阵Θ进行加密，得到因子矩阵加密参数梯度Φ，并发送到中心服务器；

D2.5)中心服务器对因子矩阵加密参数梯度Φ进行聚合，返回聚合后的全局加密参数梯度Γ；

D2.6)对全局加密参数梯度Γ解密，得到全局因子矩阵Λ；

D2.7)重复执行D2.5)和D2.6)，直到全局因子矩阵Λ收敛时停止；

D2.8)利用收敛时的全局因子矩阵Λ计算得到联邦数据：g＝2ω∑ΛΩ。