一种数据异构和通信带宽受限环境下的高效联邦学习方法

本申请提出了一种数据异构和通信带宽受限环境下的高效联邦学习方法。在每轮通信中，各客户端对更新的模型参数进行混合压缩，并将其进行编码后发送至服务器。服务器接收并解码参数，通过判断当前通信轮次是否为跳过周期，决定对参数进行随机洗牌或聚合，以更新全局模型。随后，将更新后的全局模型发送回客户端继续训练，直至达到预设通信轮数。此方法通过创新的压缩技术，显著减少了通信开销，解决了数据异构性较大时的收敛问题。最后，通过实验验证了发明方法的有效性。