一种基于联邦学习的机器学习模型训练方法及装置

本发明公开了一种基于联邦学习的机器学习模型训练方法及装置，基于与每个客户端的历史交互可信记录评估每个客户端的声誉值，根据声誉值选择满足要求的客户端；接收满足要求的客户端发送的隐私等级和类型，根据满足要求的客户端的隐私等级和类型设计包含训练样本大小和奖励的契约集合；将全局模型和契约集合发送至满足要求的客户端；接收满足要求的客户端发送的经过隐私扰动后的本地模型更新参数，并结合满足要求的客户端对应的训练样本大小、隐私等级以及在当前轮的声誉值，对经过隐私扰动后的本地模型更新参数进行聚合得到全局模型更新参数；将奖励发送给满足要求的客户端，对经过隐私扰动后的本地模型更新参数进行质量评估，根据质量评估结果更新对应的历史交互可信记录。在提高数据安全性、缓解网络流量拥塞、提升参与者积极性、增强联邦学习可靠性、提高模型聚合鲁棒性以及增强系统适应性和灵活性等方面均表现出显著的优势。