一种基于轻量化模型的高效个性化联邦学习系统及方法

本发明属于联邦学习领域，公开了一种基于轻量化模型的高效个性化联邦学习系统及方法，在本地训练过程中将批归一化层(BN层)集成到卷积神经网络模型，并保留该层部分参数私有使客户端保留其本地数据的个性化特征，利用基于通道权重的模型剪枝技术压缩模型，服务器端综合考量客户端的数据量、数据多样性和参与度等因素，采用基于信誉值的综合权重分配原则进行客户端权重分配，并基于该权重进行加权聚合，使用结合自适应学习率调整机制和Nesterov动量的Nadam优化算法更新全局模型。本发明可以有效提高模型收敛的速度和精度，降低通信成本，增强模型的公平性、鲁棒性和个性化能力。