一种支持动态审计与自适应剔除的联邦学习方法及系统

本发明涉及一种支持动态审计与自适应剔除的联邦学习方法及系统。方法包括：多个参与方模型将模型参数以复制秘密共享形式提交至由若干个服务器节点组成的聚合协调器；聚合协调器协同执行动态审计流程，计算各参与方模型与当前轮全局模型的模型偏差度；聚合协调器根据模型偏差度识别并过滤掉所有参与方模型中的异常模型参数，根据过滤结果更新每个参与方模型的历史信誉积分；聚合协调器根据当前信誉积分和历史信誉积分计算权重并进行多因子加权聚合，生成新一轮全局模型的模型参数；在每一轮训练迭代完成后分发至所有参与方模型，作为其下一轮本地训练的基线模型。采用本方法能够实现在参与方模型和全局模型之间完成高鲁棒性和高准确性的联邦学习。