一种基于随机策略的垃圾邮件检测模型的联邦学习方法

本申请提供一种基于随机策略的垃圾邮件检测模型的联邦学习方法，该方法包括：评估所有节点中样本的特征矩阵相似度，基于该相似度进行节点聚类，并基于预设节点数量上限随机确定出每个节点中可参与训练的节点挑选聚类簇；接收并聚合各节点反馈的本地模型参数，得到全局模型参数，然后基于训练终止条件确定是继续循环还是输出最终垃圾邮件检测模型。可见，该方法能够通过对参训节点数量进行限制，实现计算、存储和网络通信资源消耗的减少，进而解决处理、通信延时问题，同时分类簇的挑选还能够降低每轮全局模型更新梯度方差，提升模型训练的参数收敛速度，降低模型训练所需时间。