基于动态本地差分隐私策略的联邦学习方法

本发明公开了一种基于动态本地差分隐私策略的联邦学习方法。通过动态分配联邦学习中每次梯度上传的隐私预算，实现对隐私数据的保护，同时满足总的隐私预算约束。本发明能够解决基于差分隐私的联邦学习中模型可用性劣化的问题，在保证模型训练过程的数据隐私的同时，实现模型可用性的最大化，相较基于固定噪声大小差分隐私的联邦学习方法，本发明所提出的方法有更好的性能。