一种基于分布外检测的联邦学习方法

本发明公开了一种基于分布外检测的联邦学习方法，特点是提出了一种新的联邦学习框架，通过双重加权策略对联邦学习中的数据异质性进行了严格的建模，并解决了非独立同分布带来的挑战，在客户端通过增加域外数据在监督损失中的权重来增强本地训练，使本地模型关注域外数据样本；在服务器端基于客户端的分布外检测分数动态地调整聚集权重，提高全局模型的泛化能力以有效的处理异质数据，通过实验证明了本发明鲁棒性和有效性，与最先进的基线方法相比，本发明的方法具有更出色的准确率。