基于同态加密聚类的个性化联邦学习隐私保护方法及系统

本发明属于联邦学习领域，提供了一种基于同态加密聚类的个性化联邦学习隐私保护方法及系统，在客户端聚类阶段，该框架利用同态加密的特性，对分布特征的密文进行简单运算，随后基于解密后的结果对客户端进行精确聚类。此方法显著提升了聚类的准确性，同时减少了计算资源的消耗。在客户端训练阶段，该框架为每一组设置了两个模型：组内模型和组外模型。组内模型指通过聚合组内用户的模型得到的模型，组外模型则是由其他组的组模型聚合而成。该框架采用近端优化的思想，以组内模型为基础获取组外模型的知识，提升模型的泛化能力，使其更适用于符合实际数据分布的场景，旨在应对由类别不平衡引发的数据异构性问题。