一种基于模型分解的聚类联邦学习方法与电子设备

本发明涉及一种基于模型分解的聚类联邦学习方法与电子设备，该方法基于模型分解和低秩相似度实现，包括以下步骤：模型分解与初始化：将客户端模型拆分为浅层嵌入模型和深层决策模型，初始化服务器的全局嵌入参数与聚类中心参数；基于低秩模型相似度的聚类算法，通过降维技术对客户端模型拼接矩阵进行低秩分解后得到低秩矩阵，并计算低秩矩阵相似度；知识整合与参数更新机制：结合步骤1的全局嵌入知识与聚类中心知识，优化并更新客户端模型参数；聚类分配与聚类中心模型参数动态更新：基于低秩矩阵的低秩表示动态调整聚类分配矩阵，并更新全局嵌入与聚类中心参数。与现有技术相比，本发明具有提高联邦学习在异构环境下的性能和效率等优点。