一种高效的联邦学习方法

本发明提供一种高效的联邦学习方法，本发明方法通过在服务器端参数聚合后压缩全局参数，并在客户端结合全局模型、本地私有数据集生成新的局部模型参数后压缩本地局部模型，使生成的局部稀疏模型与全局稀疏模型互补；在客户端压缩后引入错误反馈机制将本地模型压缩前后的误差返回给模型训练过程，以此方自适应调整参数更新补偿误差，从而提高训练的准确性。与传统的联邦学习相比，本发明具有极高的收敛性和鲁棒性，并能兼顾由时间复杂度、通信开销构成的通信效率。