一种基于分组特征聚合的可追溯联邦增量学习方法

本发明提供了一种基于分组特征聚合的可追溯联邦增量学习方法，涉及联邦学习技术领域，包括如下步骤：S1、进行端节点可追溯任务学习；基于初始共享模型进行本地剪枝和微调，并根据标签分布相似度判断任务是否重复；S2、构建云端‑端侧协同分组模型；将服务器模型生成的全局共享知识以及全局共享知识所对应的聚合权重发送至端节点；S3、在端节点，客户端基于本地交叉熵损失和每个组的服务器模型生成的全局共享知识以及全局共享知识所对应的聚合权重对自身模型参数进行更新，输出更新后的模型；S4、将更新后的模型替代S1中新的子模型或更新子模型，重复S1~S3，直至达到规定训练次数停止训练。本发明旨在有效应对存储限制与任务重复性带来的挑战。