去中心化联邦学习的处理方法、装置、终端设备及产品

本申请适用于机器学习技术领域，提供了一种去中心化联邦学习的处理方法、装置、终端设备及产品，该方法包括：获取各个客户端的原始掩码数据，各个客户端的原始掩码数据为各个客户端基于各自的本地数据对初始化模型进行训练得到，各个客户端的本地数据之间呈现非独立同分布特性；从各个客户端的原始掩码数据中选取最优掩码数据；基于最优掩码数据对待预测数据进行类别预测处理，得到待预测数据的目标类别。该方法对于分布式系统的任意一个客户端，能够在无需中心计算节点的基础上，通过获取各个客户端基于本地数据训练得到的原始掩码数据，充分挖掘各个客户端本地数据的异构特性，使得预测目标数据类别具备较高准确率的同时，提高了系统鲁棒性。