一种基于动态分簇的低时延拆分学习方法

本发明涉及一种基于动态分簇的低时延拆分学习方法，属于人工智能领域。所述方法，包括：构建低时延拆分学习系统模型，在每个客户端上部署神经网络前段，在服务器上部署层数不同的多个神经网络后段以及一个完整神经网络；训练各个客户端的拆分点选择策略网络；各个客户端收集局部观测信息，并利用本地策略网络计算优化的拆分点，将客户端分成若干个簇并与服务器端模型建立关联；服务器逐层收集模型层梯度，执行梯度聚合、全局参数更新和参数下发，在各个客户端和服务器端模型加载全局模型参数后，重新执行客户端分簇并开始下一次神经网络迭代过程，直至训练结束。本发明能够在保持数据本地驻留和高训练精度的同时，有效提高拆分学习训练效率。