结合模分量同态加密与差分隐私的联邦学习隐私保护方法

本发明公开了一种结合模分量同态加密与差分隐私的联邦学习隐私保护方法，其中方法包括：服务器初始化全局模型并选取参与训练的客户端；客户端本地训练并基于反向传播梯度计算局部Fisher信息矩阵；服务器聚合得到全局Fisher评估矩阵，筛选前k%的敏感核心参数并生成布尔型加密掩码；客户端依据掩码对核心参数执行模分量同态加密，对非核心参数注入差分隐私噪声；服务器分别对核心密文和非核心含噪明文进行加权聚合；客户端本地解密并重构新一轮全局模型。本发明能够实现模型隐私保护与训练效率的平衡，解决现有联邦学习全量加密计算开销大、通信负担重及模型可用性下降的问题。