摘要
本发明提出一种基于线性变换的公平与隐私保护联邦学习方法，包括以下主要步骤：S1，构建包含参与方服务器和第三方的联邦学习系统；S2，参与方基于本地数据训练生成梯度，并通过随机子采样获得稀疏梯度；S3，采用安全两方计算对稀疏梯度进行线性变换，生成加密梯度；S4，在密文域实施贡献量化机制，准确评估各参与方贡献值；S5根据贡献度分配差异化密钥权限，全授权者可恢复高质量模型，半授权者仅能获取低质量模型。本发明具有以下优点：(1)通过密文域贡献量化机制实现公平性，确保参与方贡献与模型质量匹配；(2)利用线性变换和安全两方计算保护梯度隐私，有效抵抗重构攻击和合谋攻击；(3)采用线性操作优化效率，避免复杂解码步骤。
