基于隐私保护的自底向上的层次化联邦学习方法

本发明属于联邦学习和数据隐私保护领域，具体涉及一种隐私保护的自底向上的层次化联邦学习方法，旨在解决联邦学习过程中数据分布不均衡和数据隐私保护的问题。本发明采用的基于分层联邦的客户端自底向上选择框架，主要分为四部分，包括隐私保护的协同数据分布评估、基于全局数据分布的采样、分层联邦加自底向上选择以及模型的训练聚合。本方法可以在保护客户端隐私不被泄露的同时很好的解决类不平衡的问题，可以提高模型的分类性能和训练效率。