一种面向联邦学习中长尾数据和标签噪声的鲁棒学习方法

本发明属于联邦学习场景下长尾数据和标签噪声的处理技术领域，公开了一种面向联邦学习中长尾数据和标签噪声的鲁棒学习方法。该方法使用基于置信度加权与全局知识融合的本地类原型计算方法，解决了尾类样本稀缺导致的本地类原型不准确的问题。并基于样本特征和类原型的距离检测标签噪声样本，解决了传统小损失技巧在长尾数据中失效的问题。设计平衡的损失函数进行分类器的训练，有效缓解长尾分布对模型训练的影响。同时为了模拟更复杂、现实的长尾标签噪声，构建联邦异构长尾标签噪声模式。该方法可以显著提升模型在长尾数据和标签噪声环境下的学习性能，尤其改善尾部类别的准确率，增强模型的泛化能力和鲁棒性，在真实世界中具有相当适用价值。