一种基于层级扰动与多目标优化方法实现的公平联邦共识算法及安全性证明方法

本发明公开了一种基于层级梯度扰动与多目标优化方法的公平联邦共识算法及其安全性证明方法，导致全局模型在不同客户端间表现不均衡，难以实现训练公平性等问题。本发明基于整体迭代更新全局模型的全局参数，进行通信轮次，每一轮随机选择多个客户端，并在所选的客户端训练，训练时，更新对应的全局参数；在每个客户端遍历时，通过对于本地模型的每一层神经网络进行噪声注入，得到本地客户端的参数为；基于本地客户端的参数构造本地模型的全局约束函数、公平约束函数和最优化目标函数，多目标优化方法构造多目标优化函数，同时引入拉格朗日乘子算法得到全局最优参数，若迭代完成，得到的最终的全局最优参数即为全局参数，否则，基于当前迭代轮次得到的全局最优参数再次执行迭代步骤。本发明用于帮助本地模型跳出局部最优解。