一种基于分块超网络的个性化联邦增量学习方法

本发明公开了一种基于分块超网络的个性化联邦增量学习方法，属于联邦学习和增量学习领域，该方法包括：每个客户端基于分块超网络动态生成模型参数，同时仅通信分块超网络的参数以最大程度减少存储及通信开销；采用与目标分类模型共享同一编码器的辅助分类器计算不同增量任务之间的相关性，当新任务与历史任务的知识匹配相关性较高时，客户端将现有模型应用于新任务的训练，否则客户端冻结先前任务的模型参数并建立新模型进行训练以适应新任务同时保留历史知识；为了加快训练，客户端根据计算出的知识匹配相关性进行知识迁移；在推理阶段，在所有的本地个性化模型中根据辅助分类器模型的输出进行加权集成预测，以提高预测准确性。