一种维度驱动的去中心化联邦学习数据偏差处理方法

本发明涉及一种维度驱动的去中心化联邦学习数据偏差处理方法（TrustBCFL），采用局部内在维度（LID）理论在本地数据集层面完成了噪声客户端识别，同时针对噪声客户端的噪声标签，使用最新的全局模型，根据样本的Loss值完成噪声标签校正，从而减少了联邦客户端数据集中的信息丢失。采用基于委员会共识的联邦学习本地模型筛选机制在模型层面完成了低质量局部模型更新的筛查，只有提交的模型LID值在阈值范围内的训练客户端才能通过验证委员会的交叉评估。本发明借助局部内在维度理论和区块链技术解决了传统联邦学习的本地数据偏差问题和单点故障问题，并有效平衡数据隐私和数据共享需求。