一种面向异质性数据的差分隐私联邦学习方法及系统

本发明提供一种面向异质性数据的差分隐私联邦学习方法及系统。所述方法包括：客户端接收服务端下发的本地模型参数，计算信息量并进行分层归一化获得归一化信息量，并与预设超参数构建掩码矩阵，与本地模型参数计算元素积以筛选低信息量的参数集；引入正则化项抑制参数集中参数的更新幅度以构建损失函数，对本地模型参数进行迭代更新获得中间本地模型参数，分解为低维向量以及冗余向量，裁剪并添加噪声后还原得到目标模型参数，上传至联邦模型以按照设定聚合权重聚合；服务端根据本地判别器识别全局数据，本地数据集分布越接近全局数据分布的客户端分配越高的聚合权重；本方法在满足严格差分隐私证明的前提下，在异质性数据中提高模型预测精度。