1.基于分层抽样优化的面向异构客户端的联合学习方法，应用于 N 个客户端和参数服务器，其特征在于，包括以下步骤：从不同簇中选择可用的客户端，客户端接收的数据为异构数据；参数服务器初始化全局模型，然后将全局模型广播至所有客户端，客户端根据接收到的全局模型，对本地数据的样本进行训练得到本地模型参数，参数服务器收集每个客户端的本地模型参数信息，采用聚类方法将客户端划分入不同的簇中；每轮训练时，根据样本权重从每个簇中抽取可用的客户端参与训练，进行梯度聚合，以保证所有种类的数据都参与每轮训练，降低客户端异构带来的影响；训练时的目标为凸函数；其中， 为算法为了达到精度 所需要的迭代次数，则客户端与参数服务器的通信次数 为： ；G 2 为随机梯度的期望平方范数界限， 为随机梯度的方差界限， 是第 k 个客户端的权重， E 为本地迭代轮次， N 是客户端总数， K 为每轮抽取的客户端总数， L 表示 L -smooth， 表示 强凸，当数据异构程度较低时， 接近于0时，本地迭代轮次 E 越大越好；当数据异构程度较大时， 越小，本地迭代轮次 E 越小越好；在全部客户端参与训练的条件下，算法收敛性为： ；其中， ， ， 为数据异构参数；在部分客户端参与训练的条件下，算法收敛性为： ；其中 ；同时，在训练过程中需要将学习率的值设置为逐渐下降，才能收敛至最优的结果，使算法达到 的收敛速度；每轮参与训练的客户端从参数服务器接收到最新全局模型参数后，使用本地数据计算当前参数下的梯度，迭代 E 次随机梯度下降后将最新参数发回参数服务器，由参数服务器对传回的参数进行加权平均。
2.根据权利要求1所述的基于分层抽样优化的面向异构客户端的联合学习方法，其特征在于，从N个客户端中学习一维数据的平均值，并将该目标转化为一个最小化均方差的问题，所述最小化均方差的问题如下： ；其中 是从本地数据中独立选择的样本，均值 ， 是第 i 个客户端的权重， 为客户端的样本， 为第 i 个客户端权重偏移量。
3.根据权利要求2所述的基于分层抽样优化的面向异构客户端的联合学习方法，其特征在于，当每个客户端含有的数据量相同时，所述问题的最优解为： ； 为第 i 个客户端权重偏移量，则目标函数将收敛于： 。
4.根据权利要求1所述的基于分层抽样优化的面向异构客户端的联合学习方法，其特征在于，所述聚类方法为OPTICS聚类方法。
5.根据权利要求1所述的基于分层抽样优化的面向异构客户端的联合学习方法，其特征在于，客户端本地模型参数的公式如下： ；其中 为学习率，W t 为全局模型， 为客户端的样本， 为损失函数， i 为第 i 个客户端。
6.根据权利要求1所述的基于分层抽样优化的面向异构客户端的联合学习方法，其特征在于，所述加权平均的方法为： ；K 为每轮抽取的客户端总数， k 为第 k 个客户端。
7.根据权利要求6所述的基于分层抽样优化的面向异构客户端的联合学习方法，其特征在于，基于下式： ；得出，需要设置学习率递减，才能保证算法收敛到最优解，学习率递减参数为： ， 。
