一种基于自适应聚合和动态训练的联邦学习算法

本发明公开了一种基于自适应聚合和动态训练的联邦学习算法，属于深度学习领域，该学习算法具体步骤如下：S1、每个客户端接收初始的全局模型参数，并利用其本地数据进行模型训练；S2、采用随机梯度下降在本地更新模型权重；S3、本地训练完成后，客户端计算当前轮次的模型损失值，并保留该损失作为后续自适应聚合的参考；S4、在客户端侧，每个客户端根据其历史训练时间，采用动态训练策略，预测下一轮训练的时间需求；本发明提升模型的准确性和泛化能力，避免资源闲置，确保各客户端的计算资源得以充分利用，加快全局模型的收敛速度，并降低计算开销，优化资源利用，减少成本。