一种基于模型分层的多任务联邦学习客户端贡献度度量方法

本发明提供一种基于模型分层的多任务联邦学习客户端贡献度度量方法，涉及联邦学习及机器学习模型分层技术。该方法包含一个中央服务器和多个客户端节点的分布式架构，首先配置联邦学习环境及数据准备，之后中央服务器衡量现有联邦任务下各客户端贡献度，其次中央服务器对收到的模型参数进行分层并计算模型各层的梯度；计算相对于发起方客户端的模型分层相似度以得到归一化的贡献向量，根据贡献向量和客户端上的数据量计算得到新模型，并选取下一轮参与训练的客户端，更新任务队列。该发明能够准确识别联邦学习各客户端的贡献，实现更准确的分层贡献度量下的模型聚合，同时保持与通用联邦学习相同的隐私保护效果，优化联邦学习时间和提高模型精度。