一种基于数据异构的纵向联邦学习数据增强方法

本发明属于联邦学习领域，具体涉及一种基于数据异构的纵向联邦学习数据增强方法，包括各客户端在本地训练局部条件生成对抗网络，用于产生新的训练数据上传至中心服务器；中心服务器根据各客户端上传的训练数据处理得到全局模型，并将其下发至各客户端；各客户端将全局模型作为本地模型，通过具有双重平滑机制的指数移动平均SGD方法训练得到更新后的本地模型参数，并上传给中心服务器；中心服务器根据样本占比和数据分布计算每一客户端的聚合权重；中心服务器根据聚合权重对各客户端上传的本地模型参数进行聚合得到新的全局模型下发至各客户端；重复上述内容直至全局模型收敛；本发明能够有效解决异构数据环境下联邦学习的数据增强问题。