联邦学习模型鲁棒性增强方法、设备及系统

本申请提供一种联邦学习模型鲁棒性增强方法、设备及系统。服务端通过依据目标数据集生成腐败数据集以及对抗数据集，并生成通用数据集，进而，依据通用数据集对当前的全局模型进行预训练，有效提升全局模型的鲁棒性，优化模型性能；客户端利用处理后的本地数据对预训练的全局模型进行本地更新训练，通过利用变分自动编码器对本地数据集进行处理，有效减少由于各参与联邦学习的客户端的数据集之间的差异性导致的样本倾斜噪声，从而，可以优化本地更新后的全局模型的性能，进而，服务端通过依据各目标客户端上传的本地更新的全局模型，生成本轮联邦学习的全局模型，可以得到鲁棒性更强、性能更优的全局模型。