一种基于相关性剪枝的联邦学习数据隐私保护方法及系统

本发明公开了一种基于相关性剪枝的联邦学习数据隐私保护方法及系统，属于信息安全技术领域。本发明通过评估神经元间的相关性，对模型进行有针对性的剪枝，降低了模型复杂度，减少了通信开销，还减少了后续需要添加的噪声量，从而提高了整体模型性能。同时，本发明利用差分隐私实现数据的隐私保护，通过计算每个神经层与输出的相关性LRP，合理分配隐私预算，重要层分配更多预算，次重要层分配较少，在确保整体隐私预算的前提下，提高了模型的准确性表现，避免了不必要的隐私预算浪费，更好地利用了有限的预算。本发明能够有效解决联邦学习中的模型复杂度和差分隐私保护问题，在模型效率和隐私保护之间达到了良好的平衡。