技術(shù)特征：

1.基于相似度蒸餾的個性化異構(gòu)聯(lián)邦學(xué)習(xí)方法，其特征在于，該聯(lián)邦學(xué)習(xí)方法具體步驟如下：

2.根據(jù)權(quán)利要求1所述的基于相似度蒸餾的個性化異構(gòu)聯(lián)邦學(xué)習(xí)方法，其特征在于，步驟q1中所述選擇多組客戶端進行本地訓(xùn)練，并構(gòu)建本地表征的具體步驟如下：

3.根據(jù)權(quán)利要求2所述的基于相似度蒸餾的個性化異構(gòu)聯(lián)邦學(xué)習(xí)方法，其特征在于，s1.2中所述訓(xùn)練本地模型具體計算公式如下：

4.根據(jù)權(quán)利要求2所述的基于相似度蒸餾的個性化異構(gòu)聯(lián)邦學(xué)習(xí)方法，其特征在于，q2中所述服務(wù)器端評估客戶端間的表征相似性的詳細步驟如下：

5.根據(jù)權(quán)利要求1所述的基于相似度蒸餾的個性化異構(gòu)聯(lián)邦學(xué)習(xí)方法，其特征在于，s2.1中所述客戶端的平均特征表示向量的具體計算公式如下：

6.根據(jù)權(quán)利要求4所述的基于相似度蒸餾的個性化異構(gòu)聯(lián)邦學(xué)習(xí)方法，其特征在于，q3中所述訓(xùn)練本地模型的具體步驟如下：

7.根據(jù)權(quán)利要求6所述的基于相似度蒸餾的個性化異構(gòu)聯(lián)邦學(xué)習(xí)方法，其特征在于，s3.2中所述個性化集成損失函數(shù)的具體計算公式如下：

8.根據(jù)權(quán)利要求6所述的基于相似度蒸餾的個性化異構(gòu)聯(lián)邦學(xué)習(xí)方法，其特征在于，q4中所述聚合各客戶端上傳的分類頭參數(shù)，并對聚合后的全局分類頭進行微調(diào)的具體步驟如下：

技術(shù)總結(jié)
本發(fā)明公開了基于相似度蒸餾的個性化異構(gòu)聯(lián)邦學(xué)習(xí)方法，屬于數(shù)據(jù)安全領(lǐng)域，該聯(lián)邦學(xué)習(xí)方法具體步驟如下：Q1、選擇多組客戶端進行本地訓(xùn)練，并構(gòu)建本地表征；Q2、服務(wù)器端評估客戶端間的表征相似性，并為每個客戶端生成個性化原型；Q3、將個性化共識傳遞回本地客戶端，并通過最小化個性化集成損失來訓(xùn)練本地模型；本發(fā)明能夠自適應(yīng)地聚合客戶端模型的輸出，生成多個不同的知識傳遞給相應(yīng)的模型，提高知識協(xié)作效率，相較于傳統(tǒng)的全局共識，能夠自適應(yīng)地調(diào)整知識構(gòu)成，以適應(yīng)不同模型的承載能力，并且能夠獨立訓(xùn)練并以個性化的方式聚合，適用于資源受限的邊緣設(shè)備。

技術(shù)研發(fā)人員：楊晨,郭松濤
受保護的技術(shù)使用者：重慶大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15