一种基于同态评价的鲁棒隐私联邦学习方法

本发明提供了一种基于同态评价的鲁棒隐私联邦学习方法，综合现有方案的不足，设计了隐私性、可用性、鲁棒性和效率性四个指标，以全面衡量联邦学习方案。隐私性衡量方案对隐私威胁的防御能力；可用性评估模型在无安全威胁情况下的性能表现；鲁棒性反映方案对安全威胁的抵抗能力；效率性则关注模型在时间效率和计算开销等方面的表现。本发明该方案在隐私性、可用性、鲁棒性和效率性四个指标方面均表现出显著优势，并且可以有效解决了聚合过程中加密梯度质量难以评估的问题。