基于相似度蒸馏的个性化异构联邦学习方法

本发明公开了基于相似度蒸馏的个性化异构联邦学习方法，属于数据安全领域，该联邦学习方法具体步骤如下：Q1、选择多组客户端进行本地训练，并构建本地表征；Q2、服务器端评估客户端间的表征相似性，并为每个客户端生成个性化原型；Q3、将个性化共识传递回本地客户端，并通过最小化个性化集成损失来训练本地模型；本发明能够自适应地聚合客户端模型的输出，生成多个不同的知识传递给相应的模型，提高知识协作效率，相较于传统的全局共识，能够自适应地调整知识构成，以适应不同模型的承载能力，并且能够独立训练并以个性化的方式聚合，适用于资源受限的边缘设备。