一种基于高斯差分隐私的联邦学习模型训练方法

本发明公开了一种基于高斯差分隐私的联邦学习模型训练方法，客户端不放回均匀抽样部分本地数据后执行本地模型训练，然后对本地模型参数进行隐私保护扰动处理并发送至中央服务器；中央服务器计算两两客户端间本地模型参数的差异度，动态设定差异度阈值，并据此判别是否进行全局模型聚合或本地模型参数交换。若差异度超过阈值，按差异度大小有序交换对应客户端的本地模型参数；若未超过阈值，则对本地模型参数按数据量加权聚合更新全局模型并下发。本发明解决了客户端数据异构性导致的全局模型偏移问题，同时通过高斯差分隐私扰动、动态阈值设定及模型参数交换等技术，实现了隐私保护、模型性能和计算开销的平衡。本发明适用于数据异构性显著和隐私保护要求高的分布式学习场景。