一种结合SVD和K-means的异构分布式鲁棒学习梯度聚合方法

本发明属于分布式机器学习的技术领域，更具体地，涉及一种结合SVD和K‑means的异构分布式鲁棒学习梯度聚合方法。所述方法包括：构建一个分布式学习系统；利用随机梯度下降算法计算梯度并上传至参数服务器；计算梯度的SVD分数；计算梯度的K‑means分数；结合SVD分数和K‑means分数，计算每个节点的综合分数，并选择综合分数最高的n‑f个梯度进行平均聚合，得到最终的全局梯度，将聚合得到的全局梯度用于参数更新。本发明在异构分布式机器学习系统中，能够有效识别和剔除拜占庭节点，从而提高异构分布式机器学习系统的性能。