一种车联网中融合个性化和泛化性的联邦原型学习方法

本发明涉及一种车联网中融合个性化和泛化性的联邦原型学习方法，属于移动通信技术领域。针对车联网数据异质性导致的模型精度低、公平性差及类边界模糊问题，提出基于DAG区块链的双层架构实现模型安全共享，通过动态分层聚合算法度量车辆间影响力优化模型贡献度分配，并设计联邦原型学习算法融合泛化原型与局部原型特征。采用特征增强层动态对比学习机制，使模型同步捕捉公共知识、协作知识和个性化特征，有效解决个性化与泛化性失衡问题。本方法显著提升智能驾驶决策模型的训练效率、分类精度和公平性，在数据安全、类边界清晰度及异步协作训练方面具有突出优势。