一种面向6G网络的联邦学习高效训练优化方法

本发明公开了一种面向6G网络的联邦学习高效训练优化方法，在下行链路通信阶段，全局模型参数由参数服务器下发到客户端当中，在本地训练阶段，定制化的局部训练策略通过在本地客户端训练指定迭代次数并在目标函数中增加约束项来提高收敛速度，以减少通信总轮数；上行链路通信阶段部分客户端参与规则选择计算效率较高的客户端同时上传其训练结果，从而降低每个轮次的通信成本；模型聚合阶段，参数服务器基于数据质量的加权聚合策略通过为不同本地参数分配合理权值以提升模型精度，最终输出优化后的全局模型参数以实现高效的模型训练和参数更新，为6G网络中的分布式学习提供了一个高效、可靠的解决方案。