一种异构自适应量化隐私保护的联邦学习方法

本发明提供了一种异构自适应量化隐私保护的联邦学习方法，包括以下步骤：S10、系统初始化阶段；S20、用户更新本地模型阶段；S30、服务器计算量化等级；S40、用户计算量化梯度；S50、用户保护梯度隐私；S60、服务器计算布尔共享；S70、服务器将布尔共享转换为算术共享；S80、服务器计算全局模型参数和辅助量化等级，并将其分发给所有用户；S90、模型训练阶段，当训练轮次达到最大值时，终止联邦学习任务，否则进入到S20。本发明构造一种异构自适应量化隐私保护的联邦学习方法，能够获得较高准确率的全局模型，极大减少参与者的通信开销和隐私保护计算开销，非常适用于智能物联网中资源受限的轻量级物联网设备。