基于去中心化联邦学习的差分隐私模型更新方法以及系统

专利主权项内容

1.一种基于去中心化联邦学习的差分隐私模型更新方法，其特征在于，应用于去中心化联邦学习系统的多个节点，多个所述节点通过分布式系统连接，所述方法包括：在各个所述节点上，通过训练数据训练各个所述节点上的大数据模型，得到所述大数据模型的第一模型参数；基于预设的差分隐私算法，对所述第一模型参数进行处理，得到处理后的第一模型参数，并将所述处理后的第一模型参数在所述分布式系统上广播；获取其他的所述节点广播的第二模型参数；所述第二模型参数为其他的所述节点的大数据模型在训练后输出的模型参数；将所述训练数据、所述第一模型参数和所述第二模型参数输入所述大数据模型，在所述大数据模型中进行模型参数聚合，得到第三模型参数；计算所述第三模型参数和所述第一模型参数之间的损失函数，若所述损失函数满足预设收敛条件，停止训练，得到目标模型；其中所述目标模型用于根据用户数据预测用户的消费趋势。