一种基于聚类知识蒸馏驱动的联邦学习的情绪识别方法

本发明公开了一种基于聚类知识蒸馏驱动的联邦学习的情绪识别方法。本发明采用聚类知识蒸馏的方法来解决模型异构的问题，允许每个客户端根据本地实际情况选择适合的训练模型。采用基于投票的多领导分布式共识机制来实现聚类过程，使得每个通讯轮中完成的聚类簇都不相同，这样引入随机因子可以更好地缓解数据异构带来的收敛速度慢、鲁棒性低等问题。在聚类知识蒸馏过程中，首先簇内的领导者知识蒸馏在让领导者获得整个簇的收敛方向的同时加快了模型的收敛速度，其次簇间的跟随者的知识蒸馏通过融合不同簇的收敛方向来获得全局收敛方向，保证了跟随者不会因为数据异构偏离全局收敛方向。本发明收敛速度快，识别率高，鲁棒性强。