一种基于图像数据处理的边缘异构联邦学习方法

本发明提供一种基于图像数据处理的边缘异构联邦学习方法，针对现有技术中随着剪枝参数的增加，子模型的准确性不可避免地会受到损失以及在非独立同分布的本地图像数据集环境中，这些表现不佳的子模型的准确性会进一步恶化的问题。本发明首先将在模型剪枝之前的全局模型被视为教师模型，而剪枝后的子模型充当学生模型，通过知识蒸馏，子模型不仅可以弥补剪枝导致的准确性损失，还可以学习到概括能力，从而减轻非独立同分布的图像数据集引入的偏差，然后同时进一步考虑无线边缘场景，动态调整剪枝比率和带宽分配，以最小化训练时间和损失函数；本发明可以减少异构联邦学习的计算和通信开销，同时拥有更好的图像数据处理模型准确性。