一种具有高泛化能力的分层联邦学习方法

本发明公开了一种具有高泛化能力的分层联邦学习方法，涉及电数字数据处理技术领域。该具有高泛化能力的分层联邦学习方法，包括本地模型训练判断、Q值获取和全局模型生成。本发明通过获取客户端在预设时间段内提供的训练样本数据，根据训练样本数据判断客户端是否参与本地模型训练，同时获取本地模型训练过程中的损失期望值并选择边缘服务器，然后将参与本地模型训练的训练样本数据输入至DQN网络中得到预测Q值和目标Q值，最后将训练完成的本地模型上传至选择的边缘服务器中生成全局模型，进而实现了分层联邦学习框架开销与模型准确性之间平衡性的提高，解决了现有技术中分层联邦学习框架开销与模型准确性之间平衡性考虑不充分的问题。