一种基于投影梯度上升的联邦遗忘方法及系统

本发明公开了一种基于投影梯度上升的联邦遗忘方法及系统，属于机器学习技术领域，包括获取联邦中的N个客户端和中央服务器信息，使用联邦加权聚合学习算法对联邦进行T轮训练；对各客户端进行数据蒸馏，得到蒸馏数据集；获取联邦全局模型和遗忘客户端在T‑1轮的本地模型，在遗忘客户端上求取参考模型；客户端优化位于参考模型周围半径为δ的l2范数球中的参数；将联邦全局模型发送给所有客户端，对遗忘客户端和剩余客户端进行相反的训练策略；重新聚合遗忘客户端和剩余客户端本地模型；直到完成E轮训练，得到最终的联邦遗忘模型。解决分布式知识渗透致非分布式机器遗忘法难用于联邦学习，及联邦遗忘梯度上升致灾难性遗忘问题。