一种基于数据隐私保护联邦学习的模型训练方法及系统

本发明涉及一种基于数据隐私保护联邦学习的模型训练方法及系统，包括以下步骤：S1:初始化全局模型，并传输至客户端，客户端采用神经元激活频进行重要性分析；S2:根据重要性分析结果，为按比例分配各层隐私预算；S3:依据各层梯度统计特征动态调整裁剪阈值，平衡噪声添加与梯度保真度；S4:通过计算客户端模型的SHAP值向量相似性及模型精度，优先聚合高贡献度模型，抑制低质量更新对全局模型的干扰;S5:迭代聚合所有客户端模型后生成新全局模型，并分发至各客户端进行下一轮训练,全局模型更新与动态优化循环。本发明有效解决了模型收敛困难、精度损失与隐私资源浪费的问题。