基于压缩和事件触发通信的隐私保护异步联邦学习的自适应优化方法

本发明公开了一种基于压缩和事件触发通信的隐私保护异步联邦学习的自适应优化方法，服务器有大小为的缓冲区，在每轮全局训练开始时，服务器会随机选个客户端发送初始化的全局模型，这些客户端进行本地模型训练得到新的本地模型，并计算新旧两本地模型的差值，当差值满足事件触发阈值时，客户端会计算本地与全局模型的差值，并将该差值加上压缩误差后进行压缩处理。处理后的值加入差分隐私的拉普拉斯噪声扰动后将传送给服务器。服务器端会平均所有的压缩值，并根据自适应优化算法更新全局模型。本发明方法既能减弱异步FL中延迟造成的时间开销和精度损失，也能保护数据隐私。在减少通信开销的同时提升了模型训练的精度。