面向保隐私异构去中心化学习的正则约束自适应调整方法

本发明属于隐私保护的技术领域，更具体地，涉及面向保隐私异构去中心化学习的正则约束自适应调整方法。所述方法包括：将每个客户端的本地模型划分为共享模型和保留模型，对共享模型进行正则化约束；客户端使用上一轮聚合后的共享模型和本地保留模型，基于本地数据集进行梯度下降更新；通过KL散度对正则化参数进行动态更新调整；对共享模型进行差分隐私保护，然后将加噪后的共享模型广播给邻居客户端；客户端i的邻居客户端接收加噪后的共享模型并进行聚合，以得到下一迭代轮次的本地模型。本发明在保护数据隐私的同时，减轻数据异质性和差分隐私噪声对模型性能的负面影响。