一种在隐私保护约束下分布式数据资源的联邦学习方法

本发明公开了一种在隐私保护约束下分布式数据资源的联邦学习方法，涉及异构数据下的联邦学习技术领域，本发明将客户端本地模型量化为本地局部原型信息和全局原型信息，利用本地局部原型信息和全局原型信息衡量用户本地数据分布之间的相似性，以及用户本地模型对伪数据样本的置信度，并根据用户本地数据分布之间的相似性和置信度来获取客户端之间的权重，以利用权重参数促进具有相似数据分布的用户之间的高效互学习，降低在模型异构的场景下联邦学习的非独立同分布数据对模型性能的影响，解决了跨设备场景下的用户资源受限，提高了本地模型的鲁棒性和泛化能力。