一种资源受限条件下基于差分隐私的自适应联邦学习方法

本发明属于信息安领域，涉及一种资源受限条件下基于差分隐私的自适应联邦学习方法，包括：随机选取K个客户端、初始化聚合器参数、设置聚合间隔迭代次数；将初始化参数和聚合间隔迭代次数发送给客户端；计算客户端估计参量系数和系数采用分布式梯度下降算法对初始化参数进行局部梯度更新，并计算每种类型资源在本地迭代更新的消耗量；将参数上传到聚合器，聚合间隔迭代次数加1，并重复上述过程，直到达到要求；聚合器将客户端上传参数进行聚合，并计算下轮的两次聚合过程的间隔迭代次数；根据聚合后的参数计算总资源消耗；根据总资源消耗进行模型更新；本发明克服了联邦学习在资源受限的条件下执行分布式机器学习的性能低下和客户端隐私暴露的缺陷。