基于信息增益的异步联邦学习方法及相关设备

本申请提供一种基于信息增益的异步联邦学习方法及相关设备；方法包括：接收客户端的模型梯度，确定模型梯度与各分组中心之间的特征相似性，将模型梯度划分至最高特征相似性对应的分组，重新确定该分组的分组中心并调整分组；计算各模型梯度的信息总量、新鲜度和有效性，以此计算该模型梯度的信息增益，去除信息增益小于预设增益阈值的模型梯度，根据模型梯度的信息增益确定该分组的信息增益率；当分组的信息增益率大于预设的增益率阈值，根据该分组模型梯度的陈旧度均值来更新学习率，通过聚合各模型梯度得到聚合梯度，利用聚合梯度、学习率和分组权重，对全局模型执行梯度下降算法来完成本轮全局训练，得到全局模型，并下发至客户端。