基于自适应梯度量化的联邦学习方法及系统

本发明提供一种基于自适应梯度量化的联邦学习方法及系统，涉及机器学习技术领域。该方法包括：在得到基础全局模型参数以及基础本地模型参数后，进行后续迭代时，联邦学习模型的中央服务器仅向客户端发送全局模型参数相对于基础全局模型参数的更新结果，客户端在接收到参数更新结果后，结合本地数据进行预设操作，得到本地模型参数，并基于基础本地模型参数以及本地模型参数进行自适应梯度量化，将梯度量化结果发送至中央服务器，根据梯度量化结果更新基础本地模型参数。本发明能够有效降低上传和下载的数据量，降低通信成本，减少每轮训练所需的计算和通信资源，缩短训练时间，提高训练效率。