基于深度强化学习的自适应异步联邦学习方法及系统

本发明属于联邦学习技术领域，尤其涉及一种基于深度强化学习的自适应异步联邦学习方法及系统，方法包括：将可穿戴设备作为联邦学习客户端，客户端与服务端进行通信，在服务端上全局模型更新的过程中，利用深度强化学习自适应地确定每个全局轮中客户端的聚合数量，包括：将第t轮迭代中，客户端参与聚合的数量作为智能体的动作；智能体观测联邦学习环境中的状态并输出动作；智能体输出的动作在联邦学习环境中执行后，环境给出下一个状态和奖励，迭代训练直至最大化累计奖励，得到最终的动作。本发明综合考虑了联邦学习中的数据量不平衡、设备计算能力不同、资源约束等问题，采用深度强化学习进行自适应参数的计算，提升联邦学习系统训练效率。