基于实例级提示生成的个性化联邦增量学习方法

本发明公开了基于实例级提示生成的个性化联邦增量学习方法，通过为每个客户端的基础网络部署动态可调的提示生成模块，实现了对数据更细粒度的特征捕捉。该模块的核心在于挖掘数据中的隐属性，这些属性不仅能够显著提升模型对新类别的泛化能力，还能实现基类知识向新类别的有效迁移。从基类学习到的隐属性特征可以自然地泛化到未见过的类别中，从而在保持历史知识的同时，增强模型对未知分布的适应能力。本发明突破了静态提示池在可扩展性和适应性方面的瓶颈，为个性化联邦持续学习提供了更灵活的解决方案。