一种基于风格迁移探索的自适应联邦学习方法

一种基于风格迁移探索的自适应联邦学习方法，属于联邦学习领域，包括：建立风格共享中心；选择性风格迁移；使用解码器将风格迁移后的特征信息转换为具有其他参与方风格的图像；在各参与方的原始样本数据中进行风格探索，得到新的风格信息特征；利用AdaIN模型将探索到的风格信息特征有选择地迁移到原始样本数据中；分布式训练，生成局部模型；利用公共均匀分布数据集对各参与方上传的模型进行验证，计算出各参与方模型得分，再利用PDVFedMul聚合算法对局部模型进行聚合，从而得到新一轮的全局模型参数。本发明提升了模型的泛化能力，增强了模型的鲁棒性，为模型聚合提供了更加合理的权值分配方案，提升了模型性能。