基于联邦学习系统的公平性和鲁棒性评估方法及装置

本发明公开了基于联邦学习系统的公平性和鲁棒性评估方法及装置，包括：中央服务器向客户端集合发布全局模型，正常客户端对全局模型进行训练，生成本地模型参数；测试客户端对全局模型进行扰动，构建扰动模型，通过双层投影机制对扰动模型进行优化，得到扰动模型参数；中央服务器对本地模型参数和扰动模型参数进行聚合，对本地模型参数进行聚合，得到第一全局模型和第二全局模型，进行若干通信轮次的模型发布、模型参数聚合过程，对单通信轮次或若干通信轮次后的第一全局模型和第二全局模型进行评价，得到公平性和鲁棒性评估结果。通过上述技术方案，本发明对联邦学习系统提供更有效的公平和鲁棒性能评估，保障全局模型在不同任务环境中的准确率。