一种面向算力网络的去中心化联邦学习方法及系统

本发明属于联邦学习技术领域，尤其涉及一种面向算力网络的去中心化联邦学习方法及系统；方法包括：算力网络中的模型需求方将联邦学习任务上传到区块链网络上，根据信誉分和数据分对算力节点进行筛选，将筛选出的算力节点作为计算节点参与训练；训练后的本地模型经由区块链网络进行验证后发送给模型需求方；模型需求方使用基于数据公平性的加权聚合算法，对当前轮接收到的本地模型进行聚合并利用聚合结果更新全局模型。本发明在算力网络背景下将区块链与联邦学习相结合，实现了保证联邦学习模型可用性和节点训练积极性的同时提高模型的泛用性和数据的公平性。