分类器异步优化与原型感知推理的个性化联邦学习方法

本发明属于联邦学习技术领域，尤其涉及分类器异步优化与原型感知推理的个性化联邦学习方法。本发明通过在训练阶段设计一种异步更新的双分类器机制，以及在测试阶段利用了一种原型感知的技术，自适应的计算两个分类器的输出权重，使得模型能够自适应地判断个性化知识与泛化知识的置信度，从而实现二者的动态互补与平衡。为确保各客户端特征提取器所生成的特征具有全局一致的语义表达，本发明引入了双边原型聚类策略，用以生成统一的类别原型，并自适应地引导各客户端特征提取器朝着一致的方向更新，从而有效缓解域偏移带来的性能退化问题。本发明在保护数据隐私的前提下，有效应对了标签偏移与域偏移环境下的多客户端协作挑战。