一种用于小样本场景的分层双分支聚合个性化联邦学习方法

本发明公开了一种用于小样本场景的分层双分支聚合个性化联邦学习方法，该方法包括以下步骤：服务器初始化客户端嵌入向量、感知分支超网络和表征分支超网络；服务器根据本轮训练中目标客户端的客户端标识生成嵌入向量，并作为双分支超网络模块的输入，分别生成代表感知与表征分层聚合权重；服务器对感知聚合权重和表征聚合权重进行加权融合，得到融合后的分层聚合权重；服务器基于聚合权重计算客户端之间的参数差异度，更新重要性矩阵；服务器根据重要性矩阵为当前客户端选择top‑k个参考客户端，并收集其本地模型参数；服务器基于生成的聚合权重与参考客户端模型，为目标客户端构造个性化聚合模型，并下发至该客户端；客户端基于局部数据，采用小样本元学习方式进行本地训练，更新本地模型；客户端将模型更新量回传服务器，并用于优化嵌入向量及双分支超网络参数。该方法可迭代进行，最终生成个性化模型以提升数据异构和小样本场景下的模型表现。