一种基于泛化域自适应的无监督联邦学习方法

摘要

本发明公开了一种基于泛化域自适应的无监督联邦学习方法，该方法包括：在联邦学习框架下，基于类别质心的分布式模型参数加权平均聚合方法；发明了特征提取、分类学习两段异步式的学习方法，在源域固定特征分类器训练特征提取，而在目标域固定特征提取器学习特征分类器；提出了基于通信轮数的数据交互方式，不需要每次训练都传递数据，而是在客户端训练多个轮数之后更新服务器上的模型参数。本发明的方法能够应用于分布式无监督场景下面向域泛化的工业互联网场景中，提高了客户端之间的通信效率，保障了用户隐私。基于质心的加权平均方式克服了客户端之间数据量不一致而导致的特征偏移情况，较好的完成了服务器端的特征汇聚，提高了目标域的类别预测准确率。