基于自适应量化与动态梯度编码的高效联邦学习方法

本发明提出了一种基于自适应量化与动态梯度编码的高效联邦学习方法，该方法通过对梯度进行分类、量化和稀疏化，降低了通信开销，提高了联邦学习过程中的效率。首先，客户端在本地训练模型并计算梯度后利用梯度分类机制将梯度分为重要梯度与非重要梯度，并采用自适应量化算法调整重要梯度的精度。非重要梯度则通过L1范数稀疏化处理。接着，客户端将处理过的梯度通过动态编码协议上传至服务器。服务器在接收到来自多个客户端的梯度后，采用聚合策略对这些梯度进行解码、聚合并更新全局模型；本发明不仅提高了联邦学习中的通信效率，还优化了模型训练过程，减少了网络带宽的压力。