一种基于改进聚合算法的异构数据联邦学习方法

本发明公开了一种基于改进聚合算法的异构数据联邦学习方法，涉及机器学习技术领域，首先，服务器初始化全局模型，并为每个客户端分配唯一标识符；接着，服务器随机选择部分客户端并发送全局模型；然后，各客户端使用本地数据训练模型，并将训练好的模型参数上传给服务器；随后，服务器对收到的模型参数进行加权聚合，得到新的全局模型；最后，服务器对全局模型进行测试，判断学习过程是否停止，若是，则将全局模型下发并重复之前的步骤，否则结束通信，广播全局模型。本发明适用于多个场景，例如工业互联网安全中的异常检测、智慧医疗中的患者数据共享等，能够有效缓解训练数据分布不平衡导致的全局模型训练不足和通信开销大的问题。