一种基于算力感知的联邦学习方法

本发明涉及联邦学习领域，且公开了一种基于算力感知的联邦学习方法，用于解决进行联邦学习时，会出现算力异构、通信瓶颈以及同步机制低效的问题，该方法包括，根据三层树形架构，构建算力感知的三层架构，构建算力感知模型，根据算力感知模型对客户端进行聚类，得到不同算力的集群，在同一个集群内部，所有设备同步执行本地训练任务，并在一定轮次后进行聚合，得到聚合后的模型参数，根据每个集群聚合后的模型参数进行集群间异步全局聚合，计算最终全局模型的分类准确率、损失曲线以及收敛速度，进行性能对比和分析，有效降低了设备算力的异构型，减少异步策略导致模型震荡的问题。