一种面向医疗联邦学习的生成式分类器鲁棒重训练方法、系统

本实施例提供一种面向医疗联邦学习的生成式分类器鲁棒重训练方法、系统，涉及机器学习技术领域，包括：各参与客户端基于本地数据训练联邦条件生成对抗网络，学习全局数据分布并生成中间层特征；实施知识转移机制，将全局分类模型的特征提取能力转移到本地判别器；基于训练完成的联邦条件生成对抗网络，在服务器端生成类平衡的合成特征数据集；采用特征固定重训练策略，仅对全局模型的分类器部分进行重训练。通过在服务器端利用联邦条件生成对抗网络生成类平衡的中间特征，专门用于重训练全局模型的分类器，融合条件生成对抗网络与知识转移机制，可根据全局数据分布生成高质量的平衡特征表示，实现对非独立同分布和长尾数据分布问题的有效解决。