一种基于个性化聚合标签的数据与模型异构联邦学习方法

本发明公开了一种基于个性化聚合标签的数据与模型异构联邦学习方法，客户端首先利用本地异构模型在本地私有数据上进行模型训练，服务器端在每轮迭代开始，将部分样本发送至各参与者并接受参与者发来的软化标签，将基于这些标签生成的个性化聚合标签发送至对应客户端。在客户端通过传输软化标签取代普通联邦学习中的模型参数传输，优化本地损失函数；根据各参与者软化标签量化私有数据分布，建立标签影响因子矩阵，利用标签影响因子进行个性化标签聚合，通过标签影响因子降低Non‑IID数据带来的影响，提高各参与者本地异构模型精度。本发明可以有效提升本地异构模型的准确性，降低非独立同分布(Non‑IID)数据所带来的负面影响并有效降低通信开销。