一种基于沙普利值聚合的联邦学习方法

本发明公开了一种基于沙普利值聚合的联邦学习方法，涉及分布式计算技术领域。包括：在联邦学习框架中，每个客户端利用本地数据进行模型训练，将训练结果上传到服务器端；服务器端设置一个公共测试集，为每个客户端配置一个虚拟参与方，将所有客户端与虚拟参与方的组合视为一个新的参与者；利用公共测试集上模型的准确率计算各个客户端的沙普利值；基于沙普利值，服务器进行加权聚合模型，得到下一轮的新的全局模型；服务器将下一轮的新的全局模型分发至各个客户端，重复步骤S1‑S4直到满足收敛条件。本发明使得最终全局模型准确率优于Fedavg算法，并将联邦学习过程中不同客户端的贡献程度分析出来。