一种基于隐私保护知识蒸馏的单次神经网络联邦学习方法

本申请涉及隐私计算技术领域，公开了一种基于隐私保护知识蒸馏的单次神经网络联邦学习方法，客户端在本地完成训练任务后，通过秘密分享技术将模型参数分享给双服务器；服务器基于安全两方计算技术，依次将公共数据集输入到每个本地模型中，得到其预测值(秘密)，去除异常预测值，并求出平均预测值，服务器再使用该预测值结合公共数据集完成知识蒸馏得到全局模型。该发明在使用知识蒸馏技术的场景下，使用安全两方计算保证本地模型的隐私性，使本地模型中的知识得以最大限度地传递给全局模型，可以保证全局模型的鲁棒性。