基于稀疏扰动联邦学习的车路协同异构场景数据优化方法

本发明公开了基于稀疏扰动联邦学习的车路协同异构场景数据优化方法，包括以下步骤：中央服务器初始化联邦学习设置；中央服务器随机选取一组边缘节点作为本轮训练参与方，并向这些边缘节点发送当前的全局模型；参与本轮训练的边缘节点使用自身训练数据进行模型训练，期间对模型参数进行稀疏扰动实现轻量级的锐度感知最小化，并通过参数修正更新下次迭代的本地模型；将各边缘节点训练好的本地模型参数上传到中央服务器；中央服务器聚合收到的模型参数，生成新的全局模型并下发，直至完成所有轮次的训练。本发明可以在车路协同数据异构场景下提高全局模型平坦性，增强模型的泛化能力和鲁棒性，并有效控制因采用锐度感知最小化而导致的计算成本增加。