1.一种多源域迁移中的对抗域自适应差分隐私保护方法，其特征在于，包括以下步骤：将获取的源域样本集和目标域样本集分别输入特征提取网络或目标任务网络进行特征提取和更新，并对迭代完成得到的权重进行归一化处理；

基于设定的梯度反传层对所述特征提取网络参数进行更新；

根据隐私泄露风险，利用设定的分割阈值分别对所述特征提取网络和所述目标任务网络进行梯度分割，并加上高斯噪声后计算出对应的隐私预算；

直至所述隐私预算达到预算阈值，将所述特征提取网络和所述目标任务网络进行组合，得到差分隐私分类模型。

2.如权利要求1所述的多源域迁移中的对抗域自适应差分隐私保护方法，其特征在于，将获取的源域样本集和目标域样本集分别输入特征提取网络或目标任务网络进行特征提取和更新，并对迭代完成得到的权重进行归一化处理，包括：将源域样本集和目标域样本集输入特征提取网络进行特征提取，然后将特征输入域分类网络进行对抗学习和参数更新，直至多个源域对应的所述源域样本集和所述目标域样本集迭代完成；

将所述源域样本集输入到所述特征提取网络进行特征提取，并将得到的特征向量输入到目标任务网络中进行分类和参数更新，直至多个源域对应的所述源域样本集迭代完成；

根据总损失函数计算出每个所述源域对应的权重，并对所述权重进行归一化处理。

3.如权利要求2所述的多源域迁移中的对抗域自适应差分隐私保护方法，其特征在于，将源域样本集和目标域样本集输入特征提取网络进行特征提取，然后将特征输入域分类网络进行对抗学习和参数更新，直至多个源域对应的所述源域样本集和所述目标域样本集迭代完成，包括：

将所述源域样本集和所述目标域样本集输入所述特征提取网络进行特征提取，并将得到的特征向量输入域分类网络中，得到域预测标签；

利用负对数似然函数计算所述域预测标签和域真实标签之间的域分类网络损失函数；

根据所述域分类网络损失函数对所述域分类网络参数进行优化、更新，直至多个源域对应的所述源域样本集和所述目标域样本集迭代完成。

4.如权利要求2所述的多源域迁移中的对抗域自适应差分隐私保护方法，其特征在于，将所述源域样本集输入到所述特征提取网络进行特征提取，并将得到的特征向量输入到目标任务网络中进行分类和参数更新，直至多个源域对应的所述源域样本集迭代完成，包括：将所述源域样本集输入所述特征提取网络进行特征提取，并将得到的特征向量输入所述目标任务网络中，得到预测类标签；

利用负对数似然函数计算所述预测类标签和真实类标签之间的目标任务网络损失函数；

根据所述目标任务网络损失函数对所述目标任务网络参数进行优化、更新，直至多个源域对应的所述源域样本集迭代完成。

5.如权利要求2所述的多源域迁移中的对抗域自适应差分隐私保护方法，其特征在于，基于设定的梯度反传层对所述特征提取网络参数进行更新，包括：利用所述总损失函数对所述特征提取网络参数进行优化，并对优化后的所述特征提取网络参数求偏导，得到对应的损失梯度；

根据所述损失梯度更新所述特征提取网络参数。

6.如权利要求1所述的多源域迁移中的对抗域自适应差分隐私保护方法，其特征在于，将获取的源域样本集和目标域样本集分别输入特征提取网络或目标任务网络进行特征提取和更新，并对迭代完成得到的权重进行归一化处理之前，所述方法还包括：获取多源域数据集、目标域数据集和初始化网络参数，并以设定的采样概率对任一个所述多源域数据集和所述目标域数据集分别进行随机采样，得到所述源域样本集和所述目标域样本集。

7.如权利要求1所述的多源域迁移中的对抗域自适应差分隐私保护方法，其特征在于，直至所述隐私预算达到预算阈值，将所述特征提取网络和所述目标任务网络进行组合，得到差分隐私分类模型之后，所述方法还包括：将所述差分隐私分类模型进行存储和发布。