一种基于元学习与正则化的联邦学习模型优化方法及系统

本发明公开了一种基于元学习与正则化的联邦学习模型优化方法及系统，属于人工智能与数据隐私技术领域。针对非独立同分布数据导致的模型收敛慢及个性化不足问题，该方法采用元学习双循环机制与正则化协同优化：中心服务器分发全局模型至客户端，客户端通过划分支持集与查询集进行内循环梯度更新与外循环元梯度计算，生成适应本地数据的更新信息；同时引入L2正则项约束本地模型与全局模型的参数差异，结合预测损失优化个性化模型。系统通过全局分发模块、本地适应模块、个性化模块及聚合模块实现协同训练，服务器采用数据量加权聚合客户端更新。本发明有效提升了异质数据下的模型泛化能力，均衡了客户端间的预测差异。