一种基于委员会的拜占庭容错去中心化联邦学习方法

本发明公开了一种基于委员会的拜占庭容错去中心化联邦学习方法。该方法通过委员会客户端对模型更新进行质量检测，并通过委员会共识选择模型更新；根据模型效用影响度对选中的模型更新进行加权聚合，形成新的全局模型；根据客户端的本轮贡献和历史表现更新声誉值，将声誉值作为选择下一轮训练客户端和委员会客户端的依据。本发明能够有效应对来自拜占庭客户端和服务器的恶意攻击，从而提供了一种更加安全、可靠和高效的联邦学习方法，尤其适用于对于安全性和鲁棒性要求较高的应用场景。