一种面向非独立同分布数据的联邦学习方法及系统

本发明实施例提供一种面向非独立同分布数据的联邦学习方法，属于分布式机器学习技术领域。包括：客户端在私有数据集上执行本地模型训练，随机选择一个客户端作为领导学生；超网络接收各客户端网络层提取的嵌入向量，计算特征重要性分数并执行top‑k特征选择；服务器收集所选特征，执行逐层对齐以解决客户端模型架构差异，融合生成综合特征图；领导学生接收融合特征图，通过自蒸馏机制将聚合知识纳入其模型。该方法通过超网络智能选择最具信息量的特征，结合自蒸馏实现分布式知识的统一表示，有效缓解非独立同分布数据带来的模型性能退化，适用于医疗、物联网等数据异质性场景下的联邦学习优化。