分层联邦学习模型训练方法、装置、设备及介质

本申请提供一种分层联邦学习模型训练方法、装置、设备及介质，根据本申请的方法包括：基于车联网架构，将其分为车辆层、中间协调层和全局协调层。车辆节点利用全局协调层的初始参数训练模型，获取本地梯度。中间协调层接收后，把相似车辆节点划分为预设集合，计算各集合平均梯度并初步对齐，再由路侧单元进行最终对齐。全局协调层通过第一阶段共识机制，依据梯度一致性和数据质量筛选可信车辆节点，接着用第二阶段共识机制对筛选后的节点梯度进行全局聚合，生成最终模型参数，并反馈至中间协调层和车辆层分发。该技术方案提升了车联网中联邦学习的训练性能，降低通信开销，增强系统安全性与数据可信度，能有效应对数据异质性和恶意节点问题。