基于客户端聚类与稀疏剪枝的个性化联邦学习方法及系统

本发明公开了一种基于客户端聚类与稀疏剪枝的个性化联邦学习方法及系统，首先构建中心服务器—多客户端框架，初始化全尺寸簇模型、通道掩码与递增剪枝率，并配置SGD训练、网络瘦身压缩及加密传输；随后每轮训练动态重划簇，客户端利用簇结构信息执行通道级剪枝并本地微调后上传稀疏模型；服务器对模型进行通道融合、对共享通道权重取算术平均生成统一簇模型下发。达到目标剪枝率后，客户端继续个性化训练并上传，服务器仅在共享通道执行FedAvg、私有通道保持原权重，实现异构聚合。经迭代可获得兼具共享知识与私有特征的轻量模型，显著降低通信与存储开销，适用于资源受限边缘设备的隐私友好型智能推理场景。