无线边缘网络中对数据污染具有鲁棒性的联邦学习方法

摘要

本发明公开了一种无线边缘网络中对数据污染具有鲁棒性的联邦学习方法，包括以下步骤：搭建模型结构，并初始化全局参数；中心服务器将全局参数广播至无线边缘网络的客户端，客户端以全局参数作为本轮训练初值；各客户端计算梯度值并进一步更新偏差系数各客户端更新迭代系数各客户端更新一阶动量与二阶动量各客户端更新模型参数重复步骤三至六，至迭代次数达到预设值；各客户端上传本地参数至中心服务器；中心服务器接收各客户端的本地参数并聚合，得到更新后的全局参数；重复步骤二至九，直至全局模型性能达到要求。该联邦学习方法能够提高算法面对有毒数据时的鲁棒性，并减少由本地模型差异性造成的性能影响。