一种基于条件生成对抗网络的判别器知识蒸馏个性化联邦学习方法

本发明涉及联邦学习技术领域，公开了一种基于条件生成对抗网络的判别器知识蒸馏个性化联邦学习方法；解决海量参与方的出现以及数据的非独立同分布性对联邦学习数据成本以及个性化学习效率的影响；提出将融合了条件生成对抗网络的判别器知识蒸馏模型嵌入个性化联邦学习框架；通过判别器知识蒸馏模型增强客户端模型的差异化特征表示，使得个性化模型有效地识别和捕捉个体特定的模式和特征，不仅增强模型的表征能力和个性化效果，还实现更高的模型压缩率，同时，融合了判别器的条件生成对抗网络生成特定于每个客户端的合成数据，这些合成数据在充分保证数据隐私的前提下提升个性化联邦学习的泛化能力和模型的适应性。