一种基于聚类的无主链分片架构的联邦学习优化方法

本发明涉及一种基于聚类的无主链分片架构的联邦学习优化方法，包括以下步骤：收集参与联邦学习任务的客户端的模型并进行聚类，以聚类为依据创建分片，每个分片负责一个聚类内的客户端进行交互，并为每一个分片创建联邦学习树管理分片内的客户端状态；在每一个分片内，每一客户端从委员会节点获取全局模型后利用本地数据进行本地模型的更新，并将更新后的本地模型参数发送给委员会节点；在每一个分片内，委员会节点根据收到的本地模型参数进行验证，并生成新的全局模型，用于下一轮次的客户端训练。与现有技术相比，本发明具有降低了网络开销、减少了模型更新的延迟等优点。