基于秘密分享和差分隐私的安全高效联邦学习方法及系统

本发明公开了一种基于秘密分享和差分隐私的安全高效联邦学习方法及系统，首先，通过超级客户端选择方法确定一个超级客户端；然后，各客户端完成本地模型训练后，基于秘密共享与服务器和超级客户端共享量化梯度更新。为减少通信开销并确保模型精度，客户端在共享前执行动态梯度压缩。接着，超级客户端与服务器协同完成梯度聚合，并在秘密共享的梯度中加入差分隐私噪声。服务器恢复被扰动的梯度更新后更新全局模型，所有客户端下载最新全局模型，进入新一轮迭代。本发明提高了模型的准确性，加速了模型的训练。