一种基于多臂老虎机和模糊计算的联邦学习动态客户端选择方法

本发明提出了一种基于多臂老虎机和模糊计算的联邦学习动态客户端选择与隐私保护方法，旨在提升客户端选择的效率和隐私保护效果。该方法通过多臂老虎机算法中的UCB策略动态选择客户端，依据每个客户端的实时表现(如准确率、训练损失等)计算奖励，并在训练过程中进行更新。结合模糊计算技术，采用高斯隶属函数对上传的模型参数进行模糊化处理，从而有效保护隐私并减少数据泄露风险。通过引入动态调整因子，该方法能够平衡噪声与原始数据的比例，进一步增强隐私保护。实验结果表明，基于UCB的客户端选择策略在MNIST和CIFAR‑10数据集上均表现出较高的训练效率和模型性能，明显优于传统的联邦学习方法。该方法不仅优化了客户端选择策略，还降低了计算和通信开销，提高了联邦学习的实用性和适应性，尤其在大规模系统中能够有效提升训练效率和隐私保护能力。