一种基于边界重用聚类的个性化联邦学习优化方法

本发明公开了一种基于边界重用聚类的个性化联邦学习优化方法，包括如下步骤：S1、中央服务器首先初始化全局模型分发到各个客户端中；S2、客户端更新训练模型；S3、中央服务器使用DBSCAN聚类算法进行聚类，由此确定核心数据点的取值范围；S4、根据边界数据与核心数据点之间的重叠程度划分边界重用数据点到若干不同的类簇；S5、定义每一个类簇中计算资源最高的客户端为聚类中心并收集；S6、中央服务器依据聚合后的数据量大小设置权重，使加权平均法聚合得到新的全局模型再次下发给各个客户端；S7、客户端接收到个性化混合模型之后，再次进行训练与更新，使用个性化混合模型进行本地训练，以实现个性化。