一种全异步去中心化的分层联邦学习方法及系统

本发明实施例公开了一种全异步去中心化的分层联邦学习方法及系统。其中：各上层服务器初始化生成服务器模型，并下发至通信范围内的各客户端设备；客户端设备根据服务器模型进行全异步本地训练，更新生成客户端模型，并上传至筛选的目标上层服务器；目标上层服务器根据客户端模型进行全异步本地模型聚合，更新生成服务器模型；目标上层服务器在确定接收的客户端模型数量满足通信条件时，在筛选的目标邻居服务器中拉取模型，全异步进行服务器模型聚合更新；目标上层服务器将当前的服务器模型下发至对应的客户端设备；重复客户端模型和服务器模型更新步骤，直至各上层服务器的服务器模型满足收敛条件，得到全局模型。该方法可提高模型精度。