基于差分隐私图像加噪的联邦学习模型训练方法及系统

本发明公开了一种基于差分隐私图像加噪的联邦学习模型训练方法及系统，方法包括：S1：初始化评估网络、目标网络和超参数；S2：初始化全局模型及参数；S3：获取选定的客户端和隐私预算；S4：选定的客户端进行本地训练并将扰动梯度上传至中央服务器；S5：中央服务器对客户端的扰动梯度进行聚合，获得更新后的全局模型以及当前状态对应的奖励；S6：获得联邦学习的下一状态并更新评估网络和目标网络；S7：重复执行S3至S6，直至达到设定的全局迭代次数；S8：更新探索率并重复执行S2至S7，直至达到设定的联邦学习次数。本发明结合联邦学习框架提出一种动态差分隐私方法，在保证用户隐私的同时，能够提高图像识别率。