基于自适应本地模型初始化和双重知识蒸馏的个性化联邦学习方法

本发明涉及一种基于自适应本地模型初始化和双重知识蒸馏的个性化联邦学习方法，属于边缘计算技术领域。该方法通过在每个客户端上根据全局模型与局部模型之间的余弦相似度进行本地模型初始化，获取自适应初始化后的局部模型；在每个客户端上根据全局模型和历史局部模型分别进行知识蒸馏，通过双重知识蒸馏更新局部模型的参数；中央服务器接收参与训练的所有客户端上传的局部模型，并基于数据质量和客户端贡献度的双重动态聚合权重，得到最终的全局模型。本发明在处理数据异质性问题时能够显著提高模型的精度和收敛速度，并在多种边缘计算场景中表现出较好的适应性与鲁棒性。