一种基于拆分元学习的分层联邦学习方法及系统

本发明公开了一种基于拆分元学习的分层联邦学习方法及系统，所述方法具体包括：云服务器初始化全局模型并分发至各个边缘服务器，边缘服务器层将全局模型分发至所属客户端；使各个客户端基于本地数据对全局模型的特征提取模块进行本地更新，同时冻结全局模型的分类器模块；边缘服务器层聚合来自多个客户端的更新后的特征提取模块的参数，并利用本地验证数据集对分类器模块执行元优化，生成边缘本地模型；云服务器层周期性地从多个边缘服务器收集模型参数，采用梯度敏感动量聚合策略更新全局模型。本发明通过“车‑边‑云”三层架构设计和两级协同优化机制，在车联网环境中系统实现了隐私保护、通信效率和模型适应性之间的协同优化。