一种噪声机制和锐度感知最小化的差分隐私联邦学习方法

本发明用于联邦学习和隐私保护技术领域，公开了一种噪声机制和锐度感知最小化的差分隐私联邦学习方法，包括开始联邦学习，服务器对全局模型参数进行初始化，全局模型包含模型的线性转换层，作为初始层，以缓解客户端数据的异质性，随后，服务器随机选择固定数量的部分客户端，并将初始模型参数发送给这些客户端，客户端基于此训练本地模型。该噪声机制和锐度感知最小化的差分隐私联邦学习方法，通过引入自适应噪声机制，结合裁剪阈值的自适应调整，确保在联邦学习过程中有效满足差分隐私的要求，通过较大的裁剪阈值引入较强的噪声，保障了用户数据隐私，随着训练的深入，裁剪阈值逐步减小，噪声逐步减少，确保了隐私保护与模型精度的平衡。