[发明专利]用于利用具有分布式数据生成模型的连续联合学习的深度学习技术的系统和方法

权利要求书

1.一种计算机实现的方法，所述方法包括：

通过多个处理器建立连续联合学习框架，所述连续联合学习框架包括在全局站点处的全局模型和在相应本地站点处从所述全局模型导出的相应本地模型；以及

不在所述全局站点和所述相应本地站点之间共享实际数据集而是共享从所述实际数据集生成的合成数据集的情况下，通过所述多个处理器再训练或重新调整所述全局模型和所述相应本地模型。

2.根据权利要求1所述的计算机实现的方法，所述方法包括通过所述全局站点处的一个或多个处理器生成被配置为从实际全局数据集生成合成全局数据集的生成模型。

3.根据权利要求2所述的计算机实现的方法，所述方法包括通过所述全局站点处的所述一个或多个处理器将所述生成模型和所述合成全局数据集提供给所述相应本地站点中的每个站点。

4.根据权利要求3所述的计算机实现的方法，所述方法包括利用所述合成全局数据集和所述相应本地站点处的实际本地数据集，通过每个相应本地站点处的一个或多个处理器再训练或重新调整每个相应本地模型，以在本地重新调整权重，从而生成新的相应本地模型。

5.根据权利要求4所述的计算机实现的方法，所述方法包括利用所述相应本地站点处的实际本地测试数据集，通过每个相应本地站点处的所述一个或多个处理器验证每个新的相应本地模型，而没有灾难性遗忘。

6.根据权利要求4所述的计算机实现的方法，所述方法包括通过每个相应本地站点处的所述一个或多个处理器，生成被配置为从所述相应本地站点处的所述实际本地数据集生成相应合成本地数据集的相应本地生成模型。

7.根据权利要求6所述的计算机实现的方法，所述方法包括通过每个相应本地站点处的所述一个或多个处理器，将所述相应本地生成模型、所述新的相应本地模型和所述相应合成本地数据集提供给所述全局站点。

8.根据权利要求7所述的计算机实现的方法，所述方法包括利用实际全局测试数据集通过所述全局站点处的所述一个或多个处理器，验证每个新的相应本地模型。

9.根据权利要求7所述的计算机实现的方法，所述方法包括利用来自所述相应本地站点中的每个站点的所述相应合成本地数据集，通过所述全局站点处的一个或多个处理器再训练或重新调整所述全局模型，以重新调整全局权重，从而生成经过再训练的全局模型。

10.根据权利要求9所述的计算机实现的方法，所述方法包括利用实际全局测试数据集，通过所述全局站点处的所述一个或多个处理器验证所述经过再训练的全局模型。

11.根据权利要求10所述的计算机实现的方法，所述方法包括通过所述全局站点处的所述一个或多个处理器，将所述经过再训练的全局模型提供给所述相应本地站点中的每个站点。

12.根据权利要求1所述的计算机实现的方法，其中所述实际数据集包括由医疗成像系统获取的医疗成像数据。

13.一种基于深度学习的连续联合学习网络系统，所述连续联合学习网络系统包括：

全局站点，所述全局站点包括全局模型；

多个本地站点，其中所述多个本地站点中的每个相应本地站点包括从所述全局模型导出的相应本地模型；和

多个处理器，所述多个处理器被配置为不在所述全局站点和所述相应本地站点之间共享实际数据集而是共享从所述实际数据集生成的合成数据集的情况下，再训练或重新调整所述全局模型和所述相应本地模型。