面向非独立同分布数据的联邦学习模型聚合方法及系统

本发明提出了一种面向非独立同分布数据的联邦学习模型聚合方法及系统，涉及联邦学习技术领域。包括将初始模型参数分发至所有客户端；在每个通信轮次中，服务器将当前的全局模型的参数发送给随机选取的若干客户端；各客户端对本地数据进行训练以更新本地模型；各客户端将更新后的本地模型的参数上传至服务器；服务器将各客户端的本地模型参数应用于均衡数据集进行测试，并得到各客户端的本地模型在均衡数据集上的准确率；根据各客户端的本地模型在均衡数据集上的准确率和参与本地模型训练的数据量，服务器计算出各客户端的本地模型的权重，并加权聚合本轮选取的客户端的本地模型参数，以更新全局模型；能够实现全局模型的准确率更高、收敛速度更快。