一种基于类人关键学习期可塑性的流式联邦学习方法

本发明公开了一种基于类人关键学习期可塑性的流式联邦学习方法，系统和设备，客户端对各本地深度学习模型进行在线训练，并计算模型参数的费歇尔信息矩阵迹；将训练后的各本地深度学习模型及对应的费歇尔信息矩阵迹上传；服务器对各本地深度学习模型进行异步聚合，并对所有的费歇尔信息矩阵迹进行基于滞后衰减的加权聚合，得到异步流式联邦模型的联邦费歇尔信息迹；基于联邦费歇尔信息迹，判断异步流式联邦模型处于关键学习期，基于联邦费歇尔信息迹动态调节异步流式联邦模型的训练超参数并训练异步流式联邦模型，本申请通过精确度量并动态延长全局模型的关键学习期，使模型充分学习多样化的类别知识，有效缓解流式数据中的时间分布过拟合问题。