一种基于资源受限设备的联邦学习方法

本发明涉及人工智能技术领域，具体涉及一种基于资源受限设备的联邦学习方法，本发明利用深度强化学习获得用于辅助训练的传输带宽和计算频率联合优化策略，同时对联邦模型进行非结构化剪枝，在保证模型精度的前提下极大地减小联邦训练的时间延迟。该联邦学习方法从减少联邦训练的掉队设备角度出发，在联邦学习初期，充分利用设备和服务器的计算和通信资源以减小系统时延；随着训练轮次增加，模型剪枝技术被用于减轻设备在训练和数据传输上的能量损耗，二者联合可起到提升联邦学习系统性能的良好作用，从而解决了传统的联邦学习参与方为资源受限设备时算法性能较低的问题。