一种基于自适应稀疏化与量化的联邦学习通信优化方法

本发明属于联邦学习通信优化领域，提出了一种基于自适应稀疏化与量化的联邦学习通信优化方法，以降低通信开销并提高能效。该方法包括：中央服务器下发全局模型，随机选择部分客户端进行本地训练，计算梯度更新后，采用动态量化策略动态筛选重要梯度进行传输，并对剩余梯度应用自适应稀疏化方法进行进一步压缩；同时，引入误差反馈机制，累积量化误差以提升模型收敛效果。客户端将压缩后的梯度上传至服务器，服务器聚合更新后继续分发，以此循环迭代，最终获得高效收敛的全局模型。本发明通过联合自适应稀疏化、动态量化与误差补偿，显著减少了联邦学习中的通信成本，同时在保证模型性能的前提下加速收敛，使其更适用于资源受限的分布式学习环境。