一种基于影响力剪枝采样的联邦数据估值方法

本发明公开一种基于影响力剪枝采样的联邦数据估值方法，属于联邦数据估值领域，采用了基于边际贡献的沙普利值计算方案，且通过设计一种基于影响力剪枝采样的沙普利值近似算法，使影响力低的客户端组合被剪枝而影响力高的组合被采样。给定客户端数n和总采样轮数γ，进行一次联邦学习的平均时间为τ，本发明方法的时间复杂度为O(γτ)，可以有效减少时间开销。假设联邦学习中客户端的平均数据量为t，则本方法的近似误差界限为在一般的联邦场景下，客户端的数据量t通常很大，因此即使在k*值较小的情况下，本发明方法也能达到较小的近似误差。