基于自适应聚合原型的数据与模型异构联邦学习方法

本申请提出一种基于自适应聚合原型的数据与模型异构联邦学习方法，涉及人工智能技术领域，在训练初始化阶段，客户端在私有数据域上进行监督学习训练；在服务器端，根据各客户端上传的本地原型来自适应维护域间分布相似矩阵，使用该矩阵针对每个客户端个性化聚合全局原型；在客户端，接受服务器每轮迭代生成的个性化全局原型，减少本地原型与同类全局原型的差异、增加与异类全局原型的距离，优化分类器对全局原型的正确分类效果；在监督学习中，减少特征提取器输出与同类全局原型的距离；完成上述训练后生成本地原型并传给服务器。本申请可以有效提高模型准确性与协作安全性，降低私有数据异质性的负影响并具有通信开销优势。