一种基于群体动力学的异构标签噪声鲁棒联邦学习方法

本申请属于人工智能的联邦学习领域，公开了一种基于群体动力学的异构标签噪声鲁棒联邦学习方法，在每个训练轮次中包括：首先，基于客户端本地模型的预测不确定性值，将客户端划分为轻度噪声、中度噪声和极度噪声三个类别；其次，执行差异化聚合，对轻度噪声客户端的模型进行加权平均生成初步全局模型，并采用客户端感知负向蒸馏策略更新该初步模型，其中对中度噪声和极度噪声客户端施加不同强度的蒸馏惩罚；最后，根据全局模型准确率的轮次间变化，动态调整客户端分类所用的阈值。本发明通过三层分类、差异化聚合和动态阈值调整的结合，实现了对不同噪声等级客户端的精细化和自适应管理，显著提升了模型在复杂噪声环境下的鲁棒性和泛化能力。