一种基于改进unet网络的联邦持续学习方法

本发明公开了一种基于扩散模型的联邦持续学习方法，包括如下步骤：步骤1、服务器分发参数至各个客户端；步骤2、客户端分割本地真实数据为训练集和验证集，并更新模型参数；步骤3、若当前任务是初始任务，训练本地分类器，之后转至步骤6，若当前任务不是初始任务，客户端合成历史数据；步骤4、将合成数据与本地真实数据混合；步骤5、使用交叉熵损失和kl散度训练本地分类器；步骤6、依据验证集结果保存本地分类器参数；步骤7、训练扩散模型；步骤8、客户端训练结束，将参数上传到服务器。步骤9、服务端先对模型参数进行平均聚合。再用所有本地合成样本，训练分类器。步骤10、训练结束。该方法提高联邦系统的准确率和减轻遗忘以前知识。