一种基于奇异值分解的联邦学习高效通信方法

本发明提供一种基于奇异值分解的联邦学习高效通信方法，所述的联邦学习高效通信方法包括：云服务器对由客户端同步更新的模型梯度采用相似性度量，利用聚类算法将客户端进行分组，以获得若干组梯度矩阵；通过奇异值分解从每组的梯度矩阵中提取共享的基向量，并依据贡献率策略保留有效的基向量矩阵；云服务器基于基向量矩阵和聚合系数进行组内梯度重构，得到重构梯度；采用异构权重感知分配策略，对各组的重构梯度进行全局聚合以更新全局梯度，并进行下一次迭代。通过将梯度投影至基向量中，实现高效的梯度压缩，从而有效减小通信开销，提高联邦学习的效率；并设计基于异构感知的组权重分配机制，优化全局模型的表现和泛化能力。