隐私保护的去中心化协作学习方法、系统及计算机设备

本发明属于计算机技术领域，涉及隐私保护的去中心化协作学习方法、系统及计算机设备。该方法包括：每个客户端利用本地数据及当前本地模型计算本地梯度，生成高斯噪声并添加至本地梯度中进行扰动；将当前本地模型发送给自己的邻居；每个客户端利用自身数据及邻居的本地模型计算对应的交叉梯度，向梯度中注入高斯噪声进行扰动，将扰动后的梯度传回给相应的邻居；每个客户端计算邻居及自身的夏普利值，确定聚合时的权重，聚合扰动后的本地梯度及交叉梯度；根据聚合后的梯度更新当前本地模型得到最新的本地模型；多次迭代直至达到预先设定的学习轮数或损失值达到规定阈值。本发明在保护客户端隐私数据的同时，提高全局模型性能，加快模型的收敛。