用于异步联邦学习的动态超参数调整方法、设备及介质

本发明涉及一种用于异步联邦学习的动态超参数调整方法、设备及介质，该方法在更新客户端的本地模型时，基于强化学习的奖励函数进行超参数调整，该奖励函数分为两个部分，其中，第一个部分量化全局模型在客户端数据集上相对损失的减少，第二个部分量化全局模型和本地模型的表征不一致性。与现有技术相比，本发明引入强化学习算法来动态优化超参数，并通过设计特殊的奖励函数，增强了模型的泛化能力，从而提升全局模型的准确性和训练效率。