一种基于Cross-FCL的跨环境动态自适应联邦持续学习方法

摘要

本发明涉及一种基于Cross‑FCL的跨环境动态自适应联邦持续学习方法，所述方法采用跨环境联邦学习框架：所述跨环境联邦学习框架是指动态设备在多个地理位置相近的边缘联邦学习网络中切换环境及参与训练的过程；在所述跨环境联邦学习框架下，使用双层模型结构训练以及层替换方法实现模型对新环境的快速适应，利用旧环境先验知识调整模型对重要参数的更新。通过自适应调整模型重要参数的更新以提升模型的记忆力，通过双层模型结构训练以及层替换方法实现模型对新环境的快速适应；通过这种方法，模型的记忆性及适应性都得到了提升。