摘要
本发明公开了一种基于基底模型分解的个性化联邦学习方法，包括联邦准备，获取采集的原始数据，服务器端将共同的基底模型分发给客户端，客户端根据模型每层的参数量确定对应层的系数向量以及需要的基底模型数量；本地系数向量训练，训练本地每一层的系数向量；系数向量聚合与分发，将各客户端的系数向量传递至服务器端，在服务器端对系数向量进行平均聚合，将聚合后的向量返还至各客户端；重复步骤二、三，直至收敛或达到最大迭代周期结束。本申请能够处理模型同构、数据分布异构的横向联邦学习场景，可以在现实复杂场景下，为各客户端高效地获取高精度的联邦模型。
