一种面向分布式不共享类不平衡数据的分类方法

本发明涉及数据分类技术领域，尤其涉及一种面向分布式不共享类不平衡数据的分类方法，首先基于联邦学习框架学习一个已收敛的基本全局模型，然后利用弹性权重固化方法使每个本地模型在不遗忘前一轮全局模型中重要信息的情况下进一步学习本地数据分布来解决极端类不平衡和大多数客户端上普遍存在类不平衡数据的问题，进而解决现有分布式不共享数据分类方法基本都是在联邦学习框架下提出，但并未考虑在此框架下存在的本地数据集极端类不平衡和大多数客户端上普遍存在类不平衡数据而造成的模型灾难性遗忘的问题，导致不便于利用这些数据协同训练一个综合性能强的全局分类模型的技术问题。