基于自适应噪声和动态加权的联邦学习算法
打开文本图片集
摘 要：将差分隐私应用于联邦学习是保护训练数据隐私的有效方法之一，但在现有的算法中，添加固定噪声进行模型训练会导致模型精度不高、数据隐私泄露的问题。为此，提出了一种基于自适应噪声和动态加权的联邦学习算法（DP-FedANAW）。首先，考虑到梯度的异质性，该算法为每个客户端预测当前轮次梯度范数，获得裁剪阈值，为其进行不同轮次自适应裁剪梯度，从而实现自适应调整噪声；其次，为了进一步提高模型的训练效率，该算法还提出了一种将客户端贡献度与数据量相结合的动态加权模型聚合方法。（剩余16302字）