一种基于模型预训练的差分隐私联邦学习抗噪方法及系统

本申请适用于模型训练技术领域，提供了一种基于模型预训练的差分隐私联邦学习抗噪方法及系统，该方法包括：服务器通过公共数据集对目标模型进行预训练，得到目标模型的初始模型参数；根据初始模型参数和预设超参数，确定多个用户终端对目标模型进行本地训练的微调策略；将目标模型和微调策略发送至多个用户终端，其中，每个用户终端根据微调策略和本地数据集对目标模型进行本地训练，并反馈得到的目标模型的加噪梯度信息；根据多个加噪梯度信息生成目标模型的更新模型参数，并将更新模型参数发送至多个用户终端，直至经过多次迭代训练，确定目标模型达到收敛状态。可以提高模型的性能，同时保护用户终端的本地数据隐私。