一种基于原型的纵向联邦持续学习隐私保护方法

本发明涉及一种基于原型的纵向联邦持续学习隐私保护方法，属于联邦学习技术领域。本发明方法包括如下步骤：1、模型初始化和任务初始化；2、对参与方实现训练数据的样本对齐；3、各个参与方执行本地模型前向训练获得嵌入值；4、客户端将各自本地嵌入值发送给服务器；5、服务器聚合本地嵌入值生成全局嵌入值和类原型；6、服务器增强先前任务知识；7、服务器根据当前全局嵌入值更新全局模型；8、客户端根据对应的梯度值更新本地模型；9、重复前述步骤3至步骤8，直到预期的收敛精度或达到预先协商的最大训练轮数。本发明通过在模型训练的过程中，使用先前原型实现时空知识的转移，进而减少了对先前知识的遗忘，提升了全局模型的准确率。