一种基于逐层优化的无梯度高效纵向联邦学习方法及系统

本发明公开了一种基于逐层优化的无梯度高效纵向联邦学习方法及系统。所述方法包括：对纵向联邦学习模型进行初始化配置，获取各参与方的特征数据并设置模型参数；考虑到所获取的模型参数和各参与方的计算资源限制，采用Moore‑Penrose广义逆矩阵替代传统梯度，通过逐层优化减少通信开销并提高模型训练效率。整个训练过程通过前向传播和反向传播的逐层执行直至模型在所有参与方上达到收敛状态。本发明提供了一种高效的无梯度纵向联邦学习方法和系统，能够显著提高资源利用率和训练效率，具有广泛的应用前景。