一种基于同态加密的本地差分隐私联邦学习方法

本发明涉及一种基于同态加密的本地差分隐私联邦学习方法，旨在解决传统联邦学习中存在的隐私泄露问题。本发明首先使用平均参数裁剪策略来减少客户端在每轮训练后需要传输的参数量，通过裁剪低于平均值的参数，有效降低了传输的数据量。随后，采用随机选择策略对裁剪后的参数随机执行加噪或加密操作，以确保在聚合过程中的参数安全，同时解决了传统差分隐私和同态加密方法在数据效用性和计算开销上不足的问题。实验结果表明，本发明方法在不同的隐私需求下表现出了良好的鲁棒性，并且在加密和解密效率上相较于现有方法有显著提升，同时还展现出能抵御梯度泄露攻击的强大隐私保护能力。