一种非独立同分布数据的联邦学习框架优化方法及系统

本发明公开了一种非独立同分布数据的联邦学习框架优化方法及系统，方法包括：客户端接收由参数服务器传输的随机种子，并对本地模型进行初始化；客户端获取训练数据集中非独立同分布的用户标签数据，基于零阶松弛反向传播算法对用户标签数据进行反向映射，并计算出本地模型各层神经网络的最小二乘解，每当计算出一层神经网络的最小二乘解时将当前层的最小二乘解传输至参数服务器；客户端依次接收参数服务器返回的每一层神经网络的全局最小二乘解，并更新本地模型中对应层神经网络的网络参数，完成所有层神经网络的更新后得到全局最优模型。本发明可以加快整体训练速度、提高训练效率，在训练完成时可以得到性能更好的全局模型。