基于自适应层级参数重组的个性化联邦学习方法及系统

本发明公开了一种基于自适应层级参数重组的个性化联邦学习方法及系统通过引入基于个性化决策的层级参数重组方法，可以显著提升联邦学习模型的泛化能力和稳定性。通过对客户端局部模型参数的动态重组，能够有效应对数据异质性带来的挑战，避免了传统方法中因简单聚合导致的全局模型推理性能低的问题。不仅推动了跨机构、跨部门的数据协作与共享，实现更高效的数据利用，促进数字化转型的深入发展，还提升了模型效果，更好地处理医学图像处理领域视网膜疾病图像分类任务，提高联邦学习模型的可信度和应用价值，实现识别视网膜疾病分类的高精度效果。