半中心化节能联邦学习方法及系统

本申请提供了一种半中心化节能联邦学习方法及系统，应用于多个节点组成的联邦学习系统,系统中，每个节点配置有机器学习模型，方法包括：将节点分组后，通过自监督在线迁移学习算法对每个节点的模型进行训练，生成本地训练模型和聚类中心，该算法利用预训练卷积神经网络提取数据特征，降维后通过聚类生成伪标签；小组中选择主节点和备用节点后，主节点进行组内模型和聚类中心的更新，备用节点根据预设条件接管主节点任务；主节点通过双向环状通信与其他组交换聚合模型和聚类中心，并进行全局更新；最终，将全局聚合模型和聚类中心同步至各个节点，优化了通信开销和计算资源的使用，适应了无人集群环境。