随着互联网的发展,数据发挥着越来越重要的作用。分布式协作机器学习允许多个客户端设备参与训练,同时一定程度上保证了数据隐私,因此迅速兴起。联邦学习和拆分学习是其两种主流实现方式。拆分学习与联邦学习相比可以更好地缓解客户端计算资源匮乏的情况,且具有更好的隐私性。用户参与拆分学习的目的是要通过参与全局的训练提高预测精度,然而参与训练的客户端设备数据的非独立同分布问题可能会对训练模型产生负面影响,导致客户端参与训练后的预测精度提升有限。为了解决数据的非独立同分布问题,引入了针对拆分学习的个性化技术,对于不同的客户端设备,提供更适合的方式进行训练。本文对参与训练的所有客户端设备进行分簇,设置一个全局模型和多个局部个性化模型,提出了基于全局正则化的个性化拆分学习;为了解决基于全局正则化的个性化拆分学习采用人为分簇存在的主观性强的问题,进一步引入聚类算法进行分簇,提出基于聚类固定分簇的个性化拆分学习,并探究正则化参数的影响,进一步提高本地预测精度;为了解决基于聚类固定分簇的个性化拆分学习存在的隐私性较差的问题,提出基于聚类动态分簇的个性化拆分学习。实验表明,基于全局正则化的个性化拆分学习与传统的拆分学习相比,有1.5%左右的预测性能提升;而基于聚类固定分簇的个性化拆分学习进一步采用聚类算法分簇,将预测性能进一步提高3%左右;基于聚类动态分簇的个性化拆分学习的预测精度总体不如固定分簇方案,但在分簇时有更好的隐私性。