基于差分隐私与多元特征处理的联邦学习方法、系统和设备

本发明公开了一种基于差分隐私与多元特征处理的联邦学习方法、系统和设备，方法包括：服务器初始化全局模型，选取公开数据集，将全局模型下发到各客户端进行本地训练；客户端利用方向梯度直方图HOG方法对公开数据集中的图像进行特征提取；将提取到的特征分别分解为语义属性和隐藏偏差属性，输入偏差消除增强器，得到对应的偏差冲突样本进行训练，并进行梯度裁剪，得到偏差属性消除后的模型；将偏差属性消除后的模型进行稀疏化处理得到稀疏化的模型；对稀疏化的模型使用Rényi差分隐私进行保护；客户端基于非交互式零知识证明系统生成模型凭证；服务器对凭证进行验证；本发明在保证模型正常训练的前提下，提高了计算效率和安全性。