一种基于细粒度符号梯度下降优化的隐私联邦学习方法

本发明公开了一种基于细粒度符号梯度下降优化的隐私联邦学习方法，通过引入细粒度符号梯度下降优化方法，本发明在提高联邦学习中的梯度更新效率、收敛效率和精度提升方面迈出了重要一步。相比于现有技术中常用的较粗粒度的梯度下降方法，加快机器学习收敛速度并提高最终模型的性能。这对于多本地节点联邦学习和处理大规模数据集特别重要，因为它可以显著减少训练时间和计算资源的消耗；同时该方法在隐私保护方面也展现出明显优势。通过引入先进的隐私保护机制，本地差分隐私，本发明在确保数据安全性的同时，还能保持模型的有效学习。这一点对于在当前数据隐私敏感的各应用场景中推广联邦学习具有重大意义。