高模型精度的抗投毒攻击去中心联邦学习方法及装置

本发明公开了一种高模型精度的抗投毒攻击去中心联邦学习方法及装置。该方法包括：参与联邦学习的各客户端初始化模型权重、梯度追踪变量以及对邻居客户端的聚合权重，良性客户端初始化记录其邻居客户端梯度贡献的记录变量；良性客户端聚合接收的模型权重和梯度追踪变量，训练模型并更新模型参数，更新记录变量并基于一致性检查调整对邻居客户端的聚合权重；恶意客户端聚合接收的模型权重和梯度追踪变量，训练模型并将恶意梯度注入模型参数；良性客户端将其恶意邻居客户端的聚合权重逐渐调整为零，并基于记录变量瞬时清空恶意其历史梯度贡献，然后基于良性梯度聚合优化被污染的模型权重，有效保留来自恶意客户端的有益信息，提升模型精度。