一种面向异构环境的分层联邦学习方法

本发明涉及一种面向异构环境的分层联邦学习方法，属于人工智能技术领域。该方法包括：构建云边端场景中的分层联邦学习框架；构建能够减小因节点间异构性导致的模型性能损失的分层联邦学习算法；构建边缘服务器增强算法中使用的虚拟数据集，以及边缘服务器的数据分配方式；在严格数学假设下，从理论上推导了平均全局梯度偏差的边界，以量化云边缘聚集区间、参与设备的数量和其他重要因素的影响，分析在异构环境影响下分层联邦学习算法的理论收敛边界。