摘要
本发明提供一种基于可训练原型的联邦域泛化方法，涉及联邦域泛化方法技术领域。该方法设计一种可训练原型模块，结合自适应边距增强对比学习与原型多样性学习技术，优化可训练原型模块的参数；在对比学习过程中，引入动态边距值，计算并对比可训练原型与聚类原型集合中同类和不同类原型的欧几里得距离，有效增强类间分离性并保持语义一致性。同时，通过计算同类可训练全局原型之间的余弦相似度平方和，量化原型多样性损失，提升类内特征的多样性，使得同一类别的可训练全局原型能够涵盖更丰富的特征信息。这一方法增强联邦学习模型对不同数据分布和复杂变化的泛化能力，弥补了现有联邦学习方法未充分考虑域泛化问题的不足。
