针对单智能体终端在多个边缘联邦环境间动态迁移导致的对旧知识的遗忘现象，多环境联邦持续学习算法（MEFCL）探索智能体如何在快速适应新环境的同时不忘记旧环境知识，并促进多环境间知识融合的问题。MEFCL算法在联邦训练阶段利用正则项限制对模型重要参数的更新，提升模型的记忆性，同时使用双层模型训练方法促进智能体新环境对其旧环境知识的融合。在终端环境变换时，MEFCL算法通过替换环境信息层实现对新环境的快速适应。
如算法概述表所示，MEFCL算法基于Python3.6+环境下的numpy、pytorch等依赖库开发。算法输入为旧模型参数以及参数的重要程度，输出为具有多环境知识的智能体终端模型。该算法支持在MNIST-SVHN、Office-31等数据集上的持续学习。在代码的实现过程中，参考了EWC、FedPer等第三方开源资源。
算法名称
| 多环境联邦持续学习算法算法 （Multiple Environment Federated Continual Learning, MEFCL）
|
算法接口
| python mefcl.py --config_file config.yaml
|
输入
| 旧模型参数，旧模型参数的重要程度
|
输出
| 具有多环境知识的智能体终端模型
|
支持数据集
| MNIST-SVHN、Office-31等
|
依赖库
| Python 3.6+、numpy、torch
|
参考资源
| EWC、FedPer
|
gitlab链接：MEFCL · GitLab (crowdhmt.com)
