联邦学习中基于数据增强的隐私保护方法

本发明公开了联邦学习中基于数据增强的隐私保护方法，属于联邦学习隐私保护的领域，该方法的步骤如下：首先参与联邦学习训练的客户端在本地训练前先使用选择好数据增强方法对数据集进行处理；接着中央服务器初始化所有参数并下发至各个客户端开始训练；每轮参与训练的客户端获取全局模型参数，训练每个批次后计算梯度，更新参数，对参数裁剪并添加差分扰动噪声；每轮结束之后服务器聚合、更新全局参数，广播给客户端，如此循环至模型收敛。本方法主要改进联邦学习现有的基于差分隐私的隐私保护方法，加入数据增强方法使其更好地平衡模型可用性和隐私保护能力。其中，数据增强方法包括SaliencyMix、基本数据增强策略、SaliencyMix与基本数据增强策略相结合等。