一种面向工业物联网的差分隐私联邦学习方法

本发明属于工业物联网技术领域，公开了一种面向工业物联网的差分隐私联邦学习方法。该方法针对差分隐私噪声对模型性能影响较大的问题，将模型分为特征提取器和分类器，分类器保留在本地不参与聚合，减少模型被噪声影响的程度，提高模型的性能，达到更好的隐私和效用之间的权衡。在添加噪声之前稀疏化参与聚合的特征提取器部分，缓解了噪声的干扰，提高通信效率。本发明还考虑了工业物联网中不同设备收集数据非独立同分布的问题，各边缘节点之间通过联邦相互协作，训练特征提取器从数据中提取更普遍的低维特征，同时在本地维护个性化的分类器模型用于各自任务，防止不同数据分布的边缘节点的分类器之间相互干扰，同时缓解了数据非独立同分布问题。