面向边缘设备的异构数据联邦学习动态批处理训练方法

本发明涉及联邦学习与边缘计算技术领域，具体涉及为面向边缘设备的异构数据联邦学习动态批处理训练方法。边缘设备向服务器注册并上报数据，服务器构建设备画像库，下发初始参数，训练时，边缘设备计算资源可用性评分，生成动态批处理策略，确定自适应Batch Size，资源紧张时触发梯度累积，对Non‑IID数据动态重采样，用自适应优化器调整学习率，服务器聚合模型更新量得到全局模型，依据验证集损失变化决定是否终止训练，若未收敛，计算综合收敛指数调整全局学习率，更新参数后边缘设备继续训练。该方法可根据边缘设备资源和数据特点动态调整训练策略，提升联邦学习在边缘设备异构数据场景下的训练效率与模型性能。