基于动量优化的异构联邦学习自适应保隐私方法和装置

本发明属于联邦学习隐私保护的技术领域，更具体地，涉及基于动量优化的异构联邦学习自适应保隐私方法和装置。所述方法包括：接收中心服务器广播的特征提取器参数，并基于本地数据集计算当前迭代轮次的本地梯度，对于分类器部分，在本地梯度更新中引入动量机制；应用梯度下降算法，利用计算得到的本地梯度更新本地模型参数；对于特征提取器部分，计算Fisher信息矩阵；对各层Fisher信息进行归一化处理，并筛选策略；然后进行差分隐私处理，再上传至中心服务器进行参数聚合，并将更新后的全局模型参数广播回各个本地客户端，以进行下一轮训练。本发明解决了差分隐私机制对模型训练的负面影响以及导致模型收敛慢、隐私保护效果差的问题。