一种基于自适应与互惠原型学习的联邦半监督训练方法

本发明公开了一种基于自适应与互惠原型学习的联邦半监督训练方法，旨在解决联邦半监督学习（FSSL）中存在的“冷启动”收敛和“知识瓶颈”性能受限问题。本发明提出一种动态三阶段学习策略，通过自适应调整，将学习过程从单向演进为双向模式。该方法的核心在于：第一阶段，通过服务器驱动的自适应阈值激活无标注数据，解决冷启动；第二阶段，利用服务器原型进行单向引导，加速收敛；第三阶段，建立互惠学习机制，允许客户端将本地高质量原型反馈给服务器，打破“知识瓶颈”。在CIFAR‑100等数据集上的实验结果表明，本发明在高度异构的联邦场景下，相较于现有基线方法取得了显著的性能提升，有效证明了本发明在加速模型收敛和提升最终精度方面的优越性。