一种基于事件触发与梯度相似性的分布式拜占庭鲁棒加权聚合方法

本发明涉及分布式优化技术领域，解决了传统联邦学习无法应对拜占庭攻击，同时因固定通信周期导致资源浪费的技术问题，尤其涉及一种基于事件触发与梯度相似性的分布式拜占庭鲁棒加权聚合方法，通过在联邦学习场景下引入用以通过聚合各节点的参数，对服务器的全局参数进行更新后并反向更新局部参数的ET‑BGWA算法，直到全局目标函数达到最小值以获得最优参数。本发明在拜占庭防御能力与通信效率优化方面展现出显著优势，具有抗干扰能力强、通信成本低、隐私安全性高的优点，更能适用于多个领域，尤其是存在数据隐私需求高和通信资源受限的场景中具有重要应用价值。