边缘设备下基于表征驱动头部聚类的联邦学习方法

本发明公开一种边缘设备下基于表征驱动头部聚类的联邦学习方法，通过表征学习从本地原始数据中提取核心特征，仅将数据表征上传至服务器，这样可以减少通信开销，同时保留了原始数据的核心信息，确保聚类过程的准确性。服务器基于这些表征训练簇内的共享层，从而保证模型的精度。本发明将模型解耦为表征生成模块和共享头部，表征生成模块用来生成数据表征；共享头部通过学习不同客户端的知识，提升模型泛化能力。中心服务器根据每轮上传的表征对客户端进行动态聚类，能够在每轮迭代中根据数据的变化适时调整聚类结构，确保聚类的准确性和适应性，最后中心服务器使用簇内客户端的数据表征训练每个簇的共享头部，并将训练好的共享头部发送给客户端，增强模型的泛化能力。