一种基于标签级特征增强器的个性化联邦学习方法

本发明涉及一种基于标签级特征增强器的个性化联邦学习方法，属于联邦学习技术领域，包括：基于概率分布建模构建个性化模型架构，将该模型架构解耦为特征提取器和分类器头，并确定标签级特征增强器结构，服务器完成相应初始化工作；客户端接收来自服务器的相关参数，完成相应初始化工作；冻结本地特征提取器参数，对分类器头采用适配本地数据特征的个性化训练；冻结本地分类器头参数，基于标签级特征增强器的知识，对特征提取器采用对齐优化的个性化训练；客户端与服务器协作完成对于特征增强器的更新，以及形成全新的定制分类器头，以供下一轮训练；本发明通过对跨客户端的标签级共性特征建模，可减轻客户端模型训练过程的计算开销，减少客户端与服务器之间参数传输过程的通信量，并有效提升客户端模型在数据异构场景下的准确率。