摘要
本申请公开了一种基于联邦学习的模型训练方法，预先构建一个具有少量可信客户端的可信集合和包括非可信客户端的非可信集合。基于模型更新数据，计算任意两个可信客户端的相似度，基于该相似度确定可信客户端的可疑分数。基于模型更新数据，计算非可信客户端与可信客户端的相似度，基于该相似度确定非可信客户端的可信分数。基于可信客户端的可疑分数以及非可信客户端的可信分数对可信集合和非可信集合进行更新。利用可信集合中可信客户端上传的模型更新参数对全局模型进行更新。即本申请从一个具有少量可信客户端的可信集合开始，基于可信客户端的信任引导，不断更新可信集合，无需收集和维护干净的验证数据集，避免了隐私泄露风险。
