基于熵驱动的联邦学习通信方法

本发明提出了一种基于熵驱动的联邦学习通信方法，实现步骤为：初始化联邦学习通信场景；每个客户端对本地模型进行迭代训练；每个客户端基于熵对本地模型的权重参数进行压缩并计算补偿信息；中央服务器对压缩后的参数进行信息补偿；中央服务器获取联邦学习通信结果。本发明每个客户端通过对本地模型的权重参数进行奇异值分解，并基于熵截断分解后的矩阵，实现对权重参数的压缩，避免了固定截断阈值导致的压缩率限制，降低了联邦学习通信的开销，且通过客户端本地模型参数与压缩参数的差异矩阵计算的补偿信息，能够修正压缩后信息损失较大的区域，避免了因过度关注减少传输参数量而忽视潜在信息损失的缺陷，确保参数压缩后模型仍具有较高的精度。