基于客户端分组与顺序训练的联邦学习模型训练方法

本发明提供了一种基于客户端分组与顺序训练的联邦学习模型训练方法，可应用于人工智能、机器学习及数据隐私保护技术领域。该方法包括：基于每个客户端模型对于噪声的输出估计，得到每个客户端的数据标签分布特征；基于每个客户端的数据标签分布特征，利用贪心算法对客户端进行分组；将初始模型分发至每个组，作为组内训练的起始模型；在每个组内对初始模型进行训练，得到更新的模型，并将更新的模型上传至服务器；对各组上传的更新的模型进行联邦聚合与全局优化，得到训练完成的模型。通过客户端分组与组内顺序训练策略，提高了联邦学习在数据非独立同分布环境下的模型性能，特别适用于数据存在显著标签偏差的场景。