买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉山东省计算中心(国家超级计算济南中心);齐鲁工业大学(山东省科学院)申请的专利基于对抗式联邦过滤器的医疗大模型隐私保护方法和装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120850350B 。

龙图腾网通过国家知识产权局官网在2025-12-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511366084.5，技术领域涉及：G06F21/62；该发明授权基于对抗式联邦过滤器的医疗大模型隐私保护方法和装置是由顾树俊;陈岩;陈云洋;黄玮彦;高龙翔;曲悠扬;崔磊设计研发完成，并于2025-09-24向国家知识产权局提交的专利申请。

本基于对抗式联邦过滤器的医疗大模型隐私保护方法和装置在说明书摘要公布了：本发明属于医疗数据处理的技术领域，更具体地，涉及基于对抗式联邦过滤器的医疗大模型隐私保护方法和装置。所述方法包括获取并预处理数据集，选取医疗大模型提取特征；提取高风险隐私实体并调用UMLS生成完整策略指令，将完整策略指令注入原始文本生成对抗样本，提取对抗特征后和原始特征后计算差值得到特征扰动向量；基于特征扰动向量设计双通道隐私过滤器；设计联合损失函数并执行更新策略，得到参数差分；服务器基于差分进行安全聚合生成新一代全局模型，并返回各客户端，如此循环迭代。本发明解决了当前相关隐私保护技术与机制尚存在关键问题和不足，以及传统隐私保护技术在大语言模型场景中实用性与可控性不足的问题。

本发明授权基于对抗式联邦过滤器的医疗大模型隐私保护方法和装置在权利要求书中公布了：1.基于对抗式联邦过滤器的医疗大模型隐私保护方法，其特征在于，所述方法包括： S1、获取并预处理医疗数据集，选取医疗大模型提取文本原始特征； S2、基于实体识别模型提取高风险隐私实体并调用UMLS生成完整策略指令，然后将完整策略指令注入原始文本生成对抗样本，提取对抗特征后和文本原始特征后计算差值，得到特征扰动向量； S3、基于特征扰动向量设计双通道隐私过滤器：重建降维通道与动态掩码通道，处理压缩冗余特征与屏蔽敏感维度，得到净化后的特征向量； 所述S3具体包括： S31、重建降维通道：采用轻量级瓶颈式多层感知机MLP对输入的特征向量进行投影压缩与特征重建： 2； 3； 公式2~3中，z为输入的特征向量，h和r分别为压缩重建特征和压缩重建特征维度，是降维矩阵，是特征重建矩阵，GELU是高斯误差线性单元激活函数，、分别指降维层与重建层的偏置向量； S32、动态掩码通道：该通道针对个体样本中潜在的高风险敏感维度，学习生成动态抑制系数，对高风险维度进行加权削弱或屏蔽，根据扰动差值与阈值筛选出差异较大的维度索引得到敏感维度索引集： 4； 公式4中，为设置阈值，然后为每个i维度生成一个抑制系数计算器： 5； 公式5中，β是医院可调的抑制强度参数，R表示第i维度在敏感维度中的归一化值，最后应用动态掩码： 6； S33、双通道融合输出：将重建降维通道输出r与动态掩码通道输出m进行逐元素乘运算，生成最终净化后的特征向量： 7； 同时，要求降维输出与掩码维度的维度对齐，生成净化后的特征向量即过滤后表示，对于原始样本和对抗样本分别通过隐私过滤器进行处理，得到各自的净化后的特征：、； S4、设计基于攻击模拟器的隐私损失和基于任务分类器的任务损失的联合损失函数，并根据模块解耦的异步梯度更新策略，对医疗大模型、隐私过滤器和攻击模拟器三类核心模块进行针对性更新和反向传播，得到医疗大模型参数差分、隐私过滤器参数差分和攻击模拟器参数差分； 所述S4具体包括： S41、采用两层MLP结构的攻击模拟器，计算文本原始特征与净化后的特征向量的泄露风险； 将未过滤的文本原始特征与净化后的原始特征输入攻击模拟器，输出为被判定为训练集中样本的概率值，通过BCE损失函数计算各自的隐私损失和； 8； 9； 公式8~9中，为原始特征隐私损失，为净化后的原始特征隐私损失，被识别为训练集中样本的概率，标签1表示“真实为训练集成员”； 最后计算隐私损失：采用相对提升策略，定义隐私损失为两者之差加上安全边界； 10； 公式10中，ε为预设安全边界常数； S42、临床任务损失的建模，包括原始样本任务损失和抗样本任务损失；任务损失用于优化BioBERT模型中的任务分类器对实际医疗任务的准确性； 原始样本任务预测：将净化后的原始特征输入到任务分类器中，以任务真实标签为监督目标，通过分类任务中交叉熵函数CE计算原始样本任务损失，11； 公式11中，是原始样本任务损失，指真实医疗标签； 对抗样本任务预测：将净化后的对抗样本特征输入到任务分类器中，以任务真实标签为监督目标，通过分类任务中交叉熵函数CE计算对抗样本任务损失，12； 公式12中，指对抗样本任务损失值； S43、联合总损失函数的定义：定义的任务效用损失与隐私风险损失，将两者进行加权融合，形成可反向传播的总损失函数： 13； 公式13中，t指训练轮次索引，是总体任务效用损失权重，由客户端自定义调节； 为隐私损失权重系数； S44、异步梯度更新策略：以最小化总损失为最终目标，分别对三类核心模块进行参数更新解耦与方向引导，具体更新策略如下： 医疗大模型参数更新：通过任务分类损失、，采用标准反向传播算法优化大模型的编码器参数； 隐私过滤器参数更新：由隐私损失更新隐私过滤器参数，通过增强对敏感维度的屏蔽抑制能力；攻击模拟器参数更新：采用隐私损失分支直接驱动，提高攻击模拟器对敏感信号的分辨能力； 最后，在完成客户端的训练和参数更新后，产生以下参数更新量； 医疗大模型参数差分：；其中，指客户端k第t轮训练后的医疗大模型参数更新量，是客户端k在第t轮本地训练后得到的医疗大模型参数，是第t轮训练开始时使用的是第t‑1轮训练后的医疗大模型参数； 隐私过滤器参数差分：；其中，指客户端k第t轮训练后的隐私过滤器参数更新量，是客户端k在第t轮本地训练后得到的隐私过滤器参数，是第t轮训练开始时使用的是第t‑1轮训练后的隐私过滤器参数； 攻击模拟器参数差分：；其中，指客户端k第t轮训练后的攻击模拟器参数更新量，是客户端k在第t轮本地训练后得到的攻击模拟器参数，是第t轮训练开始时使用的是第t‑1轮训练后的攻击模拟器参数； 攻击模拟器参数仅用于本地计算隐私损失，不上传到服务器，更新后的医疗大模型参数差分、隐私过滤器参数差分被上传至服务器进行联邦聚合； S5、每轮本地训练完成后，攻击模拟器参数差分仅用于本地计算隐私损失，客户端上传医疗大模型参数差分和隐私过滤器参数差分，服务器基于医疗大模型参数差分和隐私过滤器参数差分进行安全聚合生成新一代全局模型，然后将新一代全局模型的模型参数返回各客户端，如此循环迭代。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人山东省计算中心(国家超级计算济南中心);齐鲁工业大学(山东省科学院)，其通讯地址为：250000 山东省济南市历下区经十路东首科学院路19号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。