一种多目标分层聚合联邦学习优化方法

本发明属于图像处理技术领域，公开了一种多目标分层聚合联邦学习优化方法，包括步骤：获取多张图像；建立联邦学习的四目标优化模型，卷积神经网络参数作为决策变量，以联邦学习为基础训练框架，对图像进行处理，具体包括：全局模型种群的初始化；设置联邦学习训练的目标函数；初始化后的多个模型被分发至客户端，各客户端分别基于本地数据执行一定轮数的随机梯度下降，更新其接收的模型副本；训练完成后，在服务端引入分层异步聚合机制，对深层模型参数的聚合更新频率在整个通信轮次上进行平均化的稀疏处理；出图像的处理结果。本申请提升了联邦学习模型的收敛速度和泛化性能，解决了面向动态网络和数据异构环境下多目标协同优化的难题。