基于聚合梯度广播的分割联邦学习方法及系统

本申请提供了一种基于聚合梯度广播的分割联邦学习方法及系统，方法包括：初始化全局模型，依据本地设备端能力限制分割为服务器端模型和客户端模型；下发客户端模型至所有本地设备端；多个本地设备同时执行前向传播，计算得到粉碎数据；传输粉碎数据以及训练数据标签至边缘服务器；根据粉碎数据并行执行前向传播，结合相应的训练数据标签计算各个本地设备端的损失，并反向传播获得损失函数和粉碎数据的梯度；对粉碎数据的梯度进行聚合并广播至所有本地设备；更新服务器端模型和客户端模型并对服务器端模型进行聚合；重复执行迭代学习循环，直至收敛或达到最大通信轮次。本申请节省分割联邦学习中的通信开销，并有效提升模型训练效率。