一种基于公平性增强的联邦学习方法

本发明涉及联邦学习领域，特别涉及一种基于公平性增强的联邦学习方法，包括优化样本选择和资源分配以提升模型的公平性；通过Gower相似性度量和层次聚类对数据进行分层处理，确保不同层次数据的代表性；结合参数化损失权重的动态权重调整策略，实时优化数据层的敏感性，动态平衡不同数据层在训练中的贡献，完成权重分配优化；构建基于自编码器的加权聚合模型，利用自编码器对数据进行异常检测，结合公平性指标优化全局模型的更新；本发明能够有效减少本地模型偏差，并在异构数据环境下显著提升联邦学习的公平性和模型精度。