一种联邦学习模型的训练方法、系统、设备及存储介质

本申请公开了一种联邦学习模型的训练方法、系统、设备及存储介质。通过将本地数据D划分为若干个子数据di，并确定对应敏感度等级；按批次利用子数据di对本地模型训练，得到本地模型在当前批次的梯度信息，梯度信息包括本地模型的每一层的梯度值；根据子数据di的敏感度等级和本地模型的层极，对本地模型的梯度信息添加分层噪声，得到当前批次的调整梯度信息；客户端利用调整梯度信息更新本地模型的模型参数，得到当前批次的模型更新参数；客户端将当前批次的模型更新参数上传至中央服务器；中央服务器基于所有客户端的模型更新参数形成当前批次的全局模型参数并分发至各个客户端，进行下一批次的本地训练。可以有效提高数据的安全性。