联邦类别增量学习方法、用户端、服务器及存储介质

本申请公开一种联邦类别增量学习方法、用户端、服务器及存储介质，所述方法包括：将服务器发送的条件生成对抗网络模型作为用户端的本地模型，然后分为两个阶段对本地模型进行训练：第一阶段为根据当前任务数据和模拟历史任务数据对本地模型进行训练，第二阶段为根据平衡采样后的目标任务数据和模拟历史任务数据对本地模型进行训练，用户端将训练完毕的本地模型发送至服务器，以使服务器对本地模型进行聚合生成目标全局模型。本申请用户端利用条件生成对抗网络模型针对性生成模拟任务数据，有效缓解了增量学习带来的灾难性遗忘，同时利用两阶段训练降低不平衡数据所带来的分类歧视，能够提升最终生成的目标全局模型的识别准确率。