一种面向物联网云边协同的个性化联邦学习方法

本发明公开一种面向物联网云边协同的个性化联邦学习方法，针对云边协同的物联网场景中资源受限、高异构性的特点，将动态参数分解集成到个性化联邦学习中；针对联邦学习在参数传递聚合过程中灾难性遗忘和偏差积累的潜在风险，采用基于持续学习的自适应正则优化方法，为解决上述问题，首先，利用参数分解策略将全局共享参数与客户端特定参数解耦，随后，将每个客户端执行的本地优化过程类比为顺序多任务，计算在线重要性评分和优化路径中的敏感度，最后，引入了一个基于学习轨迹的弹性正则化项，以约束参数更新，并根据每个参数在上一轮全局任务中的重要性权重动态调整下一轮的学习率，本方法有效兼顾了全局共享性与局部个性化的需求，特别适用于资源受限、通信频繁和数据异构性强的云边协同物联网环境，不仅提升了模型在边缘侧的精度与鲁棒性，还显著降低了通信和计算开销，具有良好的实际部署前景与扩展能力。