面向公平性保障的联邦学习的模型优化方法及系统

摘要

本发明提供一种面向公平性保障的联邦学习的模型优化方法及系统，该方法包括：接收多个客户端发送的待优化分类模型的第一优化参数和待测试图像；计算各客户端的待优化分类模型在不同待测试图像上的准确率，获取所有客户端对应的准确率形成的贡献度矩阵；根据贡献度矩阵，得到各客户端对应的总准确率，根据各客户端对应的总准确率、第一数量和第二数量，以及所有客户端对应的总准确率之间的方差，构建优化模型；根据优化模型的最优解，为各客户端分配第二优化参数，以供各客户端根据第二优化参数对待优化分类模型进行优化。本发明实现全面提高所有客户端优化后的待优化分类模型的性能，保证服务器和客户端组成的分布系统可长久稳定地持续下去。