非独立同分布场景下应对恶意攻击的联邦学习方法及系统

本发明属于人工智能技术领域，公开了一种非独立同分布场景下应对恶意攻击的联邦学习方法及系统，设计了一个基于边际贡献的用户贡献度模型和一个基于秩和比的用户可信度模型。本发明采用进化聚类的概念，利用本轮各用户的贡献度和前一轮计算的用户可信度来计算本轮所有用户的评分，并在此基础上利用贪心算法的思想选择参与聚合的用户逐个加入用户聚合模型的集合。同时，本发明将在服务器端维护一个根数据集，并将利用根数据集训练的服务器模型作为每轮的初始聚合模型。在非独立同分布场景下，本发明在两个具有不同比例恶意用户的公共数据集上评估了本算法的性能。大量的实验结果表明，本发明的算法在测试集上的准确度优于各种基线算法。