基于时空数据蒸馏的异构联邦学习方法

本发明公开了一种基于时空数据蒸馏的异构联邦学习方法，用于解决相关技术未能充分解决知识保留的时间问题，导致在训练新的全局模型时发生知识遗忘，同时未充分考虑每个客户端数据的独特时空特征，使得联邦学习的效率和收敛性较差的问题。服务器端接收各个客户端发送的基于本地数据进行编码后获得的本地编码数据进行无数据全局蒸馏，获得第一全局模型，将其分发至各个客户端；客户端根据本地数据和第一全局模型，结合动态温度调整优化进行部分参数局部蒸馏和非真实时间蒸馏，生成本地模型发回服务器端；服务器端根据各个本地模型，通过无数据全局蒸馏策略更新第一全局模型，获得第二全局模型，将其分发至各个客户端，以进行下一轮次训练。