基于瑞丽散度和自适应噪声调节的联邦学习差分隐私方法

本发明提出了一种基于瑞丽散度和自适应噪声调节的联邦学习差分隐私方法，旨在平衡数据隐私保护与模型训练性能，提高联邦学习在保护用户数据隐私前提下的模型准确性和收敛速度，解决现有联邦学习中隐私保护与模型性能之间的矛盾。本发明包括以下步骤：步骤一：构建基于瑞丽散度的隐私损失量化模型；步骤二：推导高斯噪声标准差的紧密上界；步骤三：初始化联邦学习系统的噪声参数；步骤四：客户端执行本地模型训练与噪声添加；步骤五：中心服务器聚合模型更新与性能评估；步骤六：实施基于模型性能的自适应噪声调整决策；步骤七：迭代联邦学习训练直至收敛或完成。