一种基于联邦学习的隐身结构多目标分布式优化方法

本发明公开了一种基于联邦学习的隐身结构多目标分布式优化方法，包括：构建星型联邦学习架构，星型联邦学习架构包含中心服务器与N个分布式节点；各节点基于本地数据进行模型训练并上传梯度至中心服务器；中心服务器基于各节点梯度，通过域对抗训练对齐各节点的电磁域和力学域特征分布，实现跨域参数优化；对各域结果进行加权聚合，得到全局梯度；利用全局梯度更新中心服务器的全局模型参数，后下发至各节点，完成一轮迭代；中心服务器定期获取各节点本地模型的泛化误差，根据泛化误差确定各节点的通信优先级。本发明通过梯度传输将数据量压缩至10MB/次，通信效率大幅提升。