面向图像分类的轻量级联邦持续学习方法、分类方法及系统

本发明公开了一种面向图像分类的轻量级联邦持续学习方法、分类方法及系统，属于人工智能技术领域。本发明所提供的联邦持续学习方法包括：客户端从新任务中提取高置信度特征，并通过隐私机制进行特征保护后上传至服务器端；服务器端基于条件生成器学习全局特征分布并生成历史任务的合成特征；在新任务学习阶段，客户端利用合成特征执行解耦更新策略，其中，分类器通过特征重放实现稳定性增强，特征提取模块通过结构感知的特征分布对齐实现表示空间保持；通过统一优化目标融合任务学习、特征重放与特征对齐三类损失，实现对历史知识的有效保留与新知识的持续学习，能够在保证隐私安全和图像分类准确性的同时，降低计算、通信及存储开销。