面向Non-IID数据的零集中差分隐私自适应联邦学习系统

本发明提出面向Non‑IID数据的零集中差分隐私自适应联邦学习系统，系统包括中央服务器和多个客户端；中央服务器在联邦训练过程中维护全局贡献值列表，将贡献值发送回相应的客户端；并根据贡献值通过客户端过滤机制筛选出满足条件的客户端，用以进行梯度加权并生成全局模型更新；每个客户端在本地模型训练中，使用自适应滑动窗口机制划分数据集采样和训练的范围，通过自适应学习率选择算法选取最优学习率，采用自适应梯度裁剪阈值机制选定每一轮梯度裁剪阈值，并根据接收的贡献值通过自适应差分隐私联邦学习算法自适应的调整分配给每一轮梯度更新的隐私预算。本发明有效解决在非独立同分布（Non‑IID）数据环境下如何兼顾数据隐私保护和模型精度优化的问题。