一种基于ShapDiv的自适应加权联邦学习方法

本发明提供了一种基于ShapDiv的自适应加权联邦学习方法，涉及联邦学习技术领域，该方法将Shapley Value与KL Divergence结合应用于联邦学习，融合Shapley Value与KL Divergence提出了新的评估贡献度的指标值，即Shapley Value与KL Divergence启发的ShapDiv度量值，并设计了结合用户ShapDiv的激励机制，通过ShapDiv的激励机制公平地为每个客户端匹配对应其贡献的奖励与惩罚，在该机制下将FL训练视为序列合作博弈，并根据客户的ShapDiv进行加权的联邦聚合，既解决联邦学习中的公平性问题同时也提高了联邦学习的准确率。本发明不仅能够提高模型的准确性和鲁棒性，还能够激励参与方更积极地合作，进而提升整个联邦学习系统的效率和性能。