基于卷积核重要性采样的联邦学习动态分层聚合方法和系统

本发明公开了一种基于卷积核重要性采样的联邦学习动态分层聚合方法和系统，属于联邦学习技术领域。该方法为一个基于卷积核重要性采样的动态层式聚合方法。该方法首先设计超网络引导的层贡献度评估机制，动态分层聚合权重，逐步挖掘并利用客户端间的潜在相似性关系；其次设计基于阈值判定的动态筛选方法，提出以各客户端卷积核权重的L1范数大小作为重要性度量指标，仅允许高质量客户端参与关键层的参数聚合，抑制低质量或异常客户端对全局模型的负面影响。本方法有效缓解了异构数据场景下的模型收敛困难与泛化性能下降问题。实验结果表明，在Cifar100图像分类任务中，相较于基准方法，本方法的识别准确率最高提高了28.94％。