一种基于本地小批量梯度差分隐私的联邦学习方法

本发明公开了一种基于本地小批量梯度差分隐私的联邦学习方法，属于联邦学习技术领域，要解决的技术问题为：联邦学习存在模型精度和隐私保护水平之间的平衡性问题，且在训练过程中容易出现泛化能力差和准确性降低的问题。客户端基于累积隐私损失阈值、通过小批量梯度下降算法进行本地模型参数更新，并根据隐私损失的大小调整添加到本地模型中的噪声强度。在每轮本地训练完成后，客户端将更新后的本地模型参数上传至服务器。服务器则依据所有客户端上传的本地模型参数以及聚合过程中前一轮全局模型的历史参数信息进行聚合计算，并将更新后的全局模型参数广播给各客户端。