基于联邦学习聚类的隐私保护方法、介质和设备

本申请公开了一种基于联邦学习聚类的隐私保护方法、介质和设备，该方法由服务端初始化全局模型参数、同态加密密钥对及零知识证明公共参数，并通过迭代通信回合进行模型训练。在每一回合中，服务端采样客户端并广播参数；被采样客户端基于本地未标记数据计算本地模型更新，经稀疏化与同态加密后，生成第一零知识证明以证实其计算过程符合预设联邦聚类算法规则；服务端验证第一证明后，对加密更新执行同态聚合，并生成第二零知识证明以证实聚合操作符合预设规则；最终，服务端输出加密聚合结果与第二证明，以供验证后解密并更新全局模型。本发明实现了客户端训练与服务端聚合的双向可验证性，有效确保了联邦聚类训练过程的可靠性与公正性。