提升联邦学习在Non-IID和Mismatched场景下性能的方法

摘要

本发明公开了一种提升联邦学习在Non‑IID和Mismatched场景下性能的方法，包括：步骤1，每个客户端在每轮训练中更新本地模型，客户端中设有生成对抗网络；步骤2，服务端接收到来自各客户端的本地模型后，聚合成一个中间态模型后传回至各客户端；步骤3，各客户端用接收到的中间态模型预测假数据并与其标签对比挑选出需要上传的假数据形成假数据子集合，上传至服务端；步骤4，服务端对接收自各客户端的假数据子集合进行处理，得到一个近似IID分布的假数据集，利用该假数据集对中间态模型进行训练得到该轮的最终全局模型。该方法在尽可能不影响正常训练的同时，提升了联邦学习在Non‑IID和Mismatched场景下的性能。