基于拆分学习和水印技术的联邦学习模型、介质及方法

本发明涉及一种基于拆分学习和水印技术的联邦学习模型、介质及方法，方法包括：中心服务器训练自编码器，并将联邦学习模型拆分为客户端模型和中心服务器模型分别部署，各客户端模型对训练样本进行预测得到破碎数据，服务器模型对破碎数据进行推理得到预测标签、利用自编码器对样本真实标签进行转换得到转换标签，计算损失并反向传播得到其各层梯度，并将其首层梯度返回给对应客户端，然后聚合服务器模型梯度更新服务器模型参数，各客户端模型分别进行反向传播得到各层梯度后，聚合各层梯度以更新客户端模型，服务器模型和各客户端模型的训练过程不断迭代，直到模型收敛。具有可有效阻止恶意客户端盗用模型，能够方便对模型归属权进行验证等优点。