基于特征范数正则化和统计聚合的无线联邦学习方法

本发明涉及一种基于特征范数正则化和统计聚合的无线联邦学习方法，属于联邦学习技术领域。其将基站或云服务器视为聚合器，将各个通信终端视为客户端，分别在聚合器和客户端中建立架构相同的全局模型和本地模型；聚合器将当前全局模型参数和特征范数差异广播至所有客户端；客户端构建正则化项优化损失函数执行本地训练，并生成模型残差，将模型残差和平均特征范数上传至聚合器；聚合器基于传输成功概率进行统计加权聚合，更新全局模型；聚合器将更新后的全局模型参数和特征范数差异通过无线信道广播至客户端，进入下一轮训练；整个流程通过多轮迭代优化全局模型，直至收敛。本发明显著提升无线通信环境中联邦学习模型的精度和收敛速度。