一种基于双目标数据变换的隐私保护联邦学习方法及系统

本发明公开了一种基于双目标数据变换的隐私保护联邦学习方法及系统。它们是相对应的方案，方案中：构建融合视觉非相似度损失和特征相似度损失的双目标数据变换损失，并通过本地用户的生成模型得到变换数据，使得变换数据在视觉层面与本地用户数据特征具有非相似性且在特征层面与本地用户数据特征具有相似性，从而均衡全局模型准确度和隐私保护能力。并且，本地用户的特征提取模型不参与全局模型服务器更新，可以有效地隔离原始数据提取特征与全局模型服务器的交互，保证隐私保护能力。