基于个性化本地差分隐私的去中心化联邦学习方法及系统

本发明提出了基于个性化本地差分隐私的去中心化联邦学习方法及系统，涉及联邦学习技术领域，包括：初始化用于联邦学习的区块链网络；每个客户端从区块链上接受训练任务，使用本地数据集对从区块链中下载的全局模型进行本地迭代训练，并对隐私预算进行自适应分配和对本地模型参数进行本地差分隐私处理，直到满足迭代停止的条件，得到训练后的本地模型参数，上传到区块链中；区块链对客户端上传的本地模型参数进行加权聚合，得到聚合后的全局模型，并回传给任务发布者；本发明将联邦学习与区块链相结合，并使用了个性化的隐私预算分配和基于参数的加权聚合算法，保证了联邦学习隐私性、准确性和鲁棒性之间实现的有效权衡。