一种基于元学习与多层次分割的个性化联邦模型训练方法

本发明涉及人工智能技术领域，具体公开了一种基于元学习与多层次分割的个性化联邦模型训练方法，本发明具备多层次模型分割架构，进一步将模型细分为输入层、中间层、输出层，实现了更精细的计算负载分配。相较于现有Split Learning将模型分割为客户端‑服务器两部分的方式，本发明将输入层和输出层本地化处理，保留中间层在服务器端，既减少了敏感数据传输，又平衡了计算效率与隐私保护，同时本发明具备快速微调能力，使输入层和输出层能够动态适应客户端本地数据分布。本发明通过元学习策略实现本地模型的快速适配，解决了数据异构性问题，显著提升了模型的个性化性能。