一种自适应差分隐私联邦学习训练方法、介质及设备

本发明公开了一种自适应差分隐私联邦学习训练方法、介质及设备，其中方法包括：S1、云服务器选取客户端，并将全局模型参数和裁剪阈值广播至选定的客户端；S2、被选定的客户端利用个性化本地动量机制对全局模型进行修正，并在本地执行客户端模型训练；S3、云服务器对客户端模型参数进行聚合，生成新的全局模型；S4、计算新的全局模型的损失值，若损失值连续三轮下降，则调整裁剪阈值；S5、当客户端模型的聚合次数到达预设通信轮次，则停止训练，反之，则返回S1，继续进行下一轮的训练。本发明不仅能够提高训练效率，还能有效应对数据分布变化，在保证差分隐私的前提下提升训练效果。