一种基于维度筛选的隐私且鲁棒的联邦学习方法及系统

本发明提供了一种基于维度筛选的隐私且鲁棒的联邦学习方法及系统，属于联邦学习技术领域，该方法包括：在参与联邦学习的客户端中提取当前模型参数对应的梯度；对所述梯度进行裁剪和噪声添加处理得到添加噪声的梯度；使用添加噪声的梯度更新模型参数并获取累积后的梯度；对累积后的梯度进行维度筛选并将筛选后的梯度上传到中心服务器；计算上传的梯度分布与标准正态分布的相似度；根据相似度筛选出可信客户端；将可信客户端的模型参数进行聚合得到全局模型参数；使用全局模型参数更新全局模型直到全局模型训练完成。本发明通过采用维度筛选和鲁棒聚合算法，有效抵御恶意客户端的攻击，保证全局模型的准确性。