一种基于自监督知识蒸馏的无源域适应联邦学习方法

本发明公开了一种基于自监督知识蒸馏的无源域适应联邦学习方法，通过优化伪标签生成、自监督学习和知识蒸馏策略，提升模型在目标域的泛化能力。方法包括：客户端首先使用源域数据训练局部模型，服务器聚合生成全局源域模型。然后，以全局源域模型为基础，客户端为目标域数据生成初始伪标签，并通过自监督学习优化伪标签质量，引入知识蒸馏策略，由教师模型利用伪标签指导学生模型学习，学生模型更新参数后发送至服务器。服务器聚合生成全局更新后的目标模型参数，并将其广播回客户端，客户端持续训练直至模型性能达标或收敛。本发明方法无需依赖源域数据，仅利用目标域未标记数据生成伪标签，结合联邦学习框架聚合模型参数，显著增强了模型对目标域的适应性和准确性，同时有效保护了数据隐私并降低了存储成本。