一种基于多粒度计算单元的个性化联邦学习方法

本发明属于联邦学习技术应用领域，具体涉及一种基于多粒度计算单元的个性化联邦学习方法，包括：在粗粒度层面将全局客户端作为计算单元，每个客户端计算出每个簇的隶属度，进而投票选出自己的所属簇，初步将相似数据分布情况的客户端聚合在一起；在中等粒度层面将客户端集群作为计算单元，动态地整合簇模型和客户端模型；在细粒度层面将单客户端作为计算单元，通过调整神经网络不同层在联邦流程中的计算参与度，并采用了稀疏权重激活训练方式，通过在前向和后向传播中执行稀疏卷积，加快个性化联邦学习的实现。本发明提出的方法从多粒度计算单元的角度，在数据异构的场景下，有效地提高了客户端模型的性能，并减少了联邦训练的计算开销。