[發(fā)明專利]一種基于多方聯(lián)合K均值建模的病例畫像方法及裝置

有效

• 申請?zhí)枺?/td>: 202210087944.1
• 申請日: 2022-01-26
• 公開（公告）號: CN114121206B
• 公開（公告）日: 2022-05-20
• 發(fā)明（設(shè)計(jì)）人: 陸林
• 申請（專利權(quán)）人: 中電云數(shù)智科技有限公司
• 主分類號: G16H10/60
• 分類號: G16H10/60;G16H50/70;G06K9/62;G06F21/57
• 代理公司: 工業(yè)和信息化部電子專利中心 11010
• 代理人: 焉明濤

1.一種基于多方聯(lián)合K均值建模的病例畫像方法，其特征在于，應(yīng)用于可信執(zhí)行環(huán)境TEE集群，所述TEE集群中包括至少一個主節(jié)點(diǎn)以及多個與所述主節(jié)點(diǎn)連接的子節(jié)點(diǎn)，各子節(jié)點(diǎn)配置有訓(xùn)練用的多個病例樣本；

所述病例畫像方法包括：

經(jīng)由所述主節(jié)點(diǎn)初始化K均值模型的K個均值向量后，將各均值向量廣播至各個子節(jié)點(diǎn)；

各子節(jié)點(diǎn)：

接收多個均值向量后，遍歷該子節(jié)點(diǎn)配置的各病例樣本的特征向量與各均值向量之間的距離，以利用距離最小的均值向量確定該病例樣本的類別；

按照確定的類別對各病例樣本進(jìn)行分組，累加該組中各病例樣本的特征向量，以及，統(tǒng)計(jì)該組中病例樣本的數(shù)量；

將特征向量累加的結(jié)果和統(tǒng)計(jì)的病例樣本的數(shù)量發(fā)送至所述主節(jié)點(diǎn)；

經(jīng)由所述主節(jié)點(diǎn)基于各組的特征向量累加的結(jié)果以及各組的病例樣本的數(shù)量，更新各均值向量；

繼續(xù)執(zhí)行迭代利用更新后的K個均值向量重復(fù)廣播給各子節(jié)點(diǎn)，以完成模型訓(xùn)練；

利用訓(xùn)練好的K均值模型完成病例畫像。

2.如權(quán)利要求1所述的基于多方聯(lián)合K均值建模的病例畫像方法，其特征在于，主節(jié)點(diǎn)初始化所述K均值模型的K個均值向量之前，所述K均值模型訓(xùn)練方法包括還包括：

所述主節(jié)點(diǎn)獲取各子節(jié)點(diǎn)上傳的該節(jié)點(diǎn)各病例樣本特征向量的局部特征最值；

基于所有節(jié)點(diǎn)的病例樣本特征向量的局部特征最值計(jì)算全局特征最值，以使得各子節(jié)點(diǎn)利用該全局特征最值對該子節(jié)點(diǎn)的病例樣本特征向量進(jìn)行歸一化。

3.如權(quán)利要求2所述的基于多方聯(lián)合K均值建模的病例畫像方法，其特征在于，所述局部特征最值以及所述全局特征最值均包括相應(yīng)的最大值和最小值。

4.如權(quán)利要求1所述的基于多方聯(lián)合K均值建模的病例畫像方法，其特征在于，將各均值向量廣播至各個子節(jié)點(diǎn)包括：基于各均值向量形成均值向量矩陣，并將該均值向量矩陣廣播至各子節(jié)點(diǎn)。

5.如權(quán)利要求4所述的基于多方聯(lián)合K均值建模的病例畫像方法，其特征在于，所述主節(jié)點(diǎn)向各子節(jié)點(diǎn)廣播均值向量矩陣以及將特征向量累加的結(jié)果和統(tǒng)計(jì)的病例樣本的數(shù)量發(fā)送至所述主節(jié)點(diǎn)的過程均進(jìn)行加密處理。

6.如權(quán)利要求1所述的基于多方聯(lián)合K均值建模的病例畫像方法，其特征在于，累加該組中各病例樣本的特征向量包括：

按照病例樣本對應(yīng)的類別，對該組病例樣本的特征向量進(jìn)行求和，以獲得該組病例樣本的局部求和矩陣。

7.如權(quán)利要求6所述的基于多方聯(lián)合K均值建模的病例畫像方法，其特征在于，經(jīng)由所述主節(jié)點(diǎn)基于各組的特征向量累加的結(jié)果以及各組的病例樣本的數(shù)量，更新各均值向量包括：

所述主節(jié)點(diǎn)接收所有子節(jié)點(diǎn)發(fā)送的局部求和矩陣；

將各局部求和矩陣按照K個索引對應(yīng)累加求和，以獲得對應(yīng)的全局向量矩陣；

基于各全局向量矩陣與該組病例樣本的數(shù)量的比值計(jì)算更新后的對應(yīng)的均值向量。

8.一種基于多方聯(lián)合K均值建模的病例畫像裝置，其特征在于，應(yīng)用于可信執(zhí)行環(huán)境TEE，所述TEE中包括至少一個主節(jié)點(diǎn)以及多個與所述主節(jié)點(diǎn)連接的子節(jié)點(diǎn)，各子節(jié)點(diǎn)配置有訓(xùn)練用的多個病例樣本；

所述病例畫像裝置包括處理器，被配置為：

經(jīng)由所述主節(jié)點(diǎn)初始化K均值模型的K個均值向量后，將各均值向量廣播至各個子節(jié)點(diǎn)；

各子節(jié)點(diǎn)：

接收多個均值向量后，遍歷該子節(jié)點(diǎn)配置的各病例樣本的特征向量與各均值向量之間的距離，以利用距離最小的均值向量確定該病例樣本的類別；

按照確定的類別對各病例樣本進(jìn)行分組，累加該組中各病例樣本的特征向量，以及，統(tǒng)計(jì)該組中病例樣本的數(shù)量；

將特征向量累加的結(jié)果和統(tǒng)計(jì)的病例樣本的數(shù)量發(fā)送至所述主節(jié)點(diǎn)；

經(jīng)由所述主節(jié)點(diǎn)基于各組的特征向量累加的結(jié)果以及各組的病例樣本的數(shù)量，更新各均值向量；

繼續(xù)執(zhí)行迭代利用更新后的K個均值向量重復(fù)廣播給各子節(jié)點(diǎn)，以完成模型訓(xùn)練。

9.一種計(jì)算機(jī)可讀存儲介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀存儲介質(zhì)上存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)如權(quán)利要求1至7中任一項(xiàng)所述的基于多方聯(lián)合K均值建模的病例畫像方法的步驟。