基于粒子群优化的面向数据异构的联邦学习方法

1.基于粒子群优化的面向数据异构的联邦学习方法，其特征在于，包括以下步骤：训练开始前，服务器向各个客户端发送评分数据集D s ，D s 是服务器数据D m 的独立同分布子集；在联邦学习的通信过程中，客户端向服务器上传局部模型的历史最佳分值pbest，服务器在取得各个客户端传递的历史最佳分值后进行比对，确定在评分数据集上表现最好的客户端；请求获取该客户端的模型参数；聚合该客户端的本地模型参数更新全局模型；其中，为发挥全局最佳模型与局部最佳模型对客户端模型训练的指导作用，FedPSG中客户端神经网络模型的更新包括一轮粒子更新与E轮本地迭代；粒子更新过程如下式所示：其中， 表示该客户端的局部最佳模型， 表示全局最佳模型， 表示第t轮通信时的客户端模型， 表示神经网络模型第l层的参数，所有层的参数构成了 ，α表示惯性权重，r 1 、r 2 是[0,1]之间的随机值，c 1 、c 2 分别表示 与 的加速因子，c 2 越大，模型训练将更偏向全局模型，c 2 越大，模型训练将更偏向局部模型；为减少Non-IID问题给联邦学习训练带来的影响，在服务器端使用模型再训练策略：在每一轮通信过程中，服务器收到客户端模型后，利用服务器数据D m 对模型进行再训练：其中， 是在第t轮通信过程中服务器收到的客户端模型， 是学习率，D m 体现所有客户端总体训练数据的数据分布情况。 2.根据权利要求1所述的基于粒子群优化的面向数据异构的联邦学习方法，其特征在于，D m 是总体训练数据D的一个独立同分布子集，D m 数据量与D数据量的比值为 ，即 。 3.根据权利要求2所述的基于粒子群优化的面向数据异构的联邦学习方法，其特征在于， D s 为D m 的一个独立同分布子集，代表FedPSG客户端模型优化的方向，D s 数据量与D m 数据量的比值为δ，即 。