一种隐私增强联邦学习方法

本发明涉及一种基于条件生成对抗网络的隐私增强联邦学习方法，用于提高联邦学习的性能并增强隐私保护能力；本发明通过设计一种基于CGAN的辅助数据生成机制，扩展了客户端的训练数据集并解决了数据过拟合问题。同时，提出了客户端私有模型与公共模型的双模型共存概念，并设计了一种改进的深度互学习模型交互训练方法，以确保敏感信息仅存储在本地。此外，通过基于预测分布的高性能模型聚合方法，有效提升了全局模型的性能。实验结果表明，本发明的方法在保持联邦学习模型性能的同时，能够有效抵御多种推断攻击，显著增强用户数据的隐私保护能力。