一种基于量化拆分联邦学习的模型优化方法

本发明公开了一种基于量化拆分联邦学习的模型优化方法及系统，涉及客户边缘计算技术领域，其方法包括以下步骤：S1、构建初始全局模型，初始全局模型包括服务端模型和客户端模型；S2、根据客户端的资源，自适应选择拆分层，并确定拆分层在初始全局模型下的时延与能耗；S3、基于初始全局模型，构建全局模型优化问题；S4、得到对应的客户传输功率策略、客户量化策略和客户带宽分配率策略；S5、利用客户数据样本对初始全局模型进行训练，得到训练好的全局模型。本发明在降低模型训练时延的情况下，降低能耗，节约客户计算资源，提高了全局模型的聚合精度，实现对全局模型的优化。