一种基于相似性度量的去中化联邦学习方法

摘要

本发明涉及一种联邦学习方法，尤其为一种基于相似性度量的去中化联邦学习方法，包括客户端自治和客户端相互学习，具体步骤为：首先，对每一个客户端提出客户端度量机制，通过欧氏距离计算各客户端模型之间的参数相似性，得到更适合相互学习的客户端；其次，提出客户端相互学习机制，构建目标函数，通过当前客户端网络模型的交叉熵损失，加上与其余客户端相对熵(KL散度)损失的平均值和作为优化目标。最后，通过实验，证明了该方法的有效性。