面向异构数据基于差分隐私保护的去中心化学习方法

本发明属于分布式机器学习领域，涉及面向异构数据基于差分隐私保护的去中心化学习方法。包括：构建去中心化场景，设置全局参数，完成用户设置；用户向邻居用户发送模型参数，计算自梯度和跨梯度，对自梯度和跨梯度分别进行裁剪，向自梯度和跨梯度添加噪声，将跨梯度传递给邻居；每个用户根据自梯度和接收的跨梯度，经过相似性校正得到校正梯度；进行模型更新，向邻居广播更新后的动量和模型，根据收到的动量和模型进行加权平均；重复上述步骤直到模型每个用户的模型收敛或者到达全局迭代次数上限。本发明公开的方法在去中心化环境下，在有限的学习轮次内得到有效处理异构数据的模型，并且在学习过程中保护用户数据隐私，满足差分隐私需求。