一种基于特征蒸馏和类原型的联邦类增量学习方法

本发明涉及一种基于特征蒸馏和类原型的联邦类增量学习方法，该方法包括初始化训练阶段和增量学习阶段。在初始化训练阶段，即用户首次接收到任务时，系统利用交叉熵损失函数训练本地模型；当用户任务发生更新时，系统进入增量学习阶段，在初始化训练的基础上，加入保留旧知识的增量学习策略。该增量学习策略包括：针对本地特征提取器的特征蒸馏策略、针对本地分类器的原型增强策略、针对聚合后模型的微调策略以及针对类原型的更新策略。本发明在本地无需存储旧数据的情况下，通过让本地用户和服务器共同参与训练，有效缓解了联邦学习系统面对动态数据流时产生的灾难性遗忘，提升了模型对新旧数据的识别性能。