一种基于动量法的权重动态聚合联邦学习方法

本发明涉及联邦学习技术领域，公开了一种基于动量法的权重动态聚合联邦学习方法，包括以下步骤：S1、初始化全局模型参数和聚合权重向量；S2、服务器将全局模型分发给被选中的客户端；S3、客户端替换本地模型并在本地数据集上测试目标损失；S4、客户端在本地数据集上运行梯度下降算法更新本地模型；S5、客户端将更新后的本地模型及目标损失发送给服务器；S6、服务器根据公式计算聚合权重，并进行加权聚合得到全局模型。通过使用动量法动态更新聚合权重策略，实现了联邦学习模型的公平性。以每轮通信过程中客户端的损失和以往客户端在全局模型中的性能表现作为度量方式，优化聚合权重，有效地实现了联邦学习中的公平性策略。