一种基于动态聚合权重与原型引导的鲁棒性联邦学习方法

本发明涉及一种基于动态聚合权重与原型引导的鲁棒性联邦学习方法，属于联邦学习技术领域。该方法包括：基于互评将客户端分类为可信客户端和漂移客户端；提取客户端中的可训练向量，构建正原型集和负原型集；计算各客户端的相似度和互补性，获得每个客户端在全局模型聚合中的动态权重，从而组合得到动态聚合权重矩阵；基于预设合并阈值对可信客户端中的模型进行合并操作，得到可信客户端聚合模型；基于可信客户端聚合模型、正原型集和负原型集进行蒸馏训练，将训练后的模型下发至各客户端用于下一轮迭代，通过多轮迭代以实现鲁棒性的联邦学习。旨在解决联邦学习中由于客户端数据分布动态变化和恶意客户端干扰而导致全局模型性能下降的问题。