基于差分隐私的自适应联邦学习方法

本发明公开了一种基于差分隐私的自适应联邦学习方法，属于安全技术领域。包括以下步骤：通过客户端初始化模型，利用交叉熵损失函数训练模型，并利用未标记数据增强学习；将本地模型更新发送至中央服务器，利用全局模型指导每个客户端的本地模型训练；服务器智能选择下一轮参与聚合的客户端；客户端和中央服务器协作，实施动态模型评估机制，及时调整策略；更新后的全局模型下发给各客户端，用于下一轮的本地模型训练。本方法不仅能够根据数据的变化和模型的性能动态调整学习策略，还通过增强的语义蒸馏和多任务学习策略提高了模型的泛化能力，有效地减少了通信成本，在数据敏感和分布不均的应用场景中尤为有效。