全局决策边界蒸馏学习的数据与模型异构联邦学习方法

本发明公开了全局决策边界蒸馏学习的数据与模型异构联邦学习方法，通过两种子方法分别解决数据异质性与异构模型性能差异这两个关键问题。子方法一针对数据异质性问题，通过在本地聚类多原型，充分凝练私有数据域分布信息，并在本地监督学习阶段引入无关类蒸馏，缓解本地知识遗忘。子方法二针对异构模型性能差异问题，提出全局决策边界蒸馏学习，在服务器维护更新全局决策边界学习器，从全局决策边界视角优化本地模型，降低冲突信息对本地模型的影响。本发明的性能优于最先进的多种联邦学习方法，并可更好的适应具有挑战性的场景，同时具有更高的通信效率、较好的隐私可靠性。