一种抗数据投毒联邦学习方法

本发明公开了一种抗数据投毒联邦学习方法，属于联邦机器学习技术领域，包括：中央服务器初始化全局模型参数和各客户端的被选择概率；根据各客户端的被选择概率随机选择客户端下发全局模型参数；根据被选择的客户端返回的更新后的本地模型参数计算各本地模型的沙普利值和沙普利值权重；根据各本地模型的沙普利值权重选择更新后的本地模型参数进行聚合并更新全局模型参数；根据各本地模型的沙普利值更新各客户端的被选择概率，将被选择概率低于概率阈值的客户端标记为恶意客户端并移除。该方法能够有效识别并剔除潜在的恶意客户端，提高模型的安全性。