一种基于数据增强和无数据知识蒸馏的联邦学习方法

本发明提供一种基于数据增强和无数据知识蒸馏的联邦学习方法，属于联邦学习技术领域。本方法包括：客户端部署生成对抗网络和局部模型，服务器部署全局模型和生成对抗网络；随机选取参与本轮训练的参与客户端，每个参与客户端下载服务器的全局模型作为局部模型；参与客户端通过生成对抗网络，基于本地数据集生成增数据集；使用增强数据集训练参与客户端的局部模型，更新局部模型参数和数据分布；服务器聚合各参与客户端上传的更新后局部模型参数，通过无数据知识蒸馏操作更新全局模型；服务器将更新后的全局模型发送至下一轮参与客户端，进行下一轮训练。本方法提高了联邦学习模型在数据非独立同分布环境下的泛化能力和性能。