一种基于自适应量化的联邦学习加速方法、设备及介质

本发明公开一种基于自适应量化的联邦学习加速方法、设备及介质，其中方法包括：初始化服务端全局模型和各客户端相同的量化等级；客户端从服务端下载全局模型和量化等级，初始化本地模型，根据初始化的模型进行本地训练，并计算本地模型的更新量；客户端计算本地模型经验风险，对本地模型的更新量进行量化，将经验风险和量化后的模型更新量上传服务端；服务端根据客户端上传的经验风险确定下一轮的量化等级；服务端进行模型聚合，并将量化等级和聚合模型下传至客户端，直至模型收敛或达到通信成本上限。本发明基于自适应量化的联邦学习，根据不同客户端训练过程中的本地期望风险，来评判不同客户端所需的上传量化等级，实现量化等级的自适应计算。