一种基于个性化高效半异步联邦学习的图像分类方法

本发明公开了一种基于个性化高效半异步联邦学习的图像分类方法，由服务器和客户端实现，在得到训练的图像分类模型的过程中，通过重要性抽样策略优先激活高梯度贡献客户端以加速收敛，设计公平性补偿因子与动态弃用机制平衡数据分布多样性，利用相似度加权聚合量化参数更新的方向一致性以抑制噪声干扰，从而提升了图像分类结果的精度和鲁棒性；最终形成客户端选择与模型聚合的协同优化闭环，解决了传统图像分类方法在复杂分类场景下的局限性，提升了训练的图像分类模型的性能与收敛速度，实现了高效知识共享、个性化适配与资源均衡调度的多目标统一，为复杂异构场景下的图像分类提供了兼具鲁棒性与实用性的一体化解决方案。