一种面向差分隐私的联邦学习隐私预算定制方法

本发明公开了一种面向差分隐私的联邦学习隐私预算定制方法，属于联邦学习和隐私保护技术领域，包括以下步骤：S1、服务器端初始化全局模型得到初始本地模型，同时服务器端运行DQN模型，获取为每个客户端定制的隐私预算，并将隐私预算分发给各个客户端；S2、本地模型训练；S3、定制化差分隐私加噪；S4、扰动模型上传；S5、全局模型聚合，服务器端接收到客户端上传的扰动模型后，进行全局模型的聚合；S6、全局模型分发与更新，服务器端将新的全局模型和新的隐私预算分发给各个客户端，随后重复上述步骤，直到得到合适的模型。本发明采用上述的一种面向差分隐私的联邦学习隐私预算定制方法，在保障隐私安全的同时，提高了联邦学习模型的精度。