一种基于差分隐私的理性委托联邦学习方法及系统

本申请公开了一种基于差分隐私的理性委托联邦学习方法及系统，通过构建基于零行列式策略的理性计算模型，建立服务器与客户端之间的线性收益关系，实现客户端控制服务器期望收益的目标，进一步地通过有界差分隐私保护机制，减少拉普拉斯分布的长尾效应，最后通过基于秘密共享的差分隐私的聚合结果可验证算法，检验服务器是否执行正确性聚合，同时可以容忍一定数量的服务器掉线，削弱网络异常、停电等突发状况对训练的影响，解决了现有研究通常只能检验服务器的聚合结果，并不考虑激励服务器进行正确聚合操作，依旧无法保证联邦学习中模型训练的正常进行的技术问题。