在线联邦学习任务分配方法、装置、联邦学习方法及系统

摘要

本发明公开了一种在线联邦学习任务分配方法、装置、联邦学习方法及系统，在给定联邦学习训练框架下，将边缘计算联邦学习训练过程分为节点选择计划确认和节点数据状态更新两个阶段，通过Lyapunov优化理论和深度强化学习的计算，提供使得损失函数最小化的、在不完全信息状态下保证数据集状态稳定不拥塞的任务分配方法，由此解决现有的任务分配机制仅必须知道完全信息的情况下且数据集需要独立同分布的分配阶段，导致不能解决在线联邦学习中数据非独立同分布的技术问题。