基于多维动态评估与自适应客户选择的联邦学习公平协作系统及方法

本发明属于联邦学习技术领域，涉及一种多维度动态聚合的联邦学习框架，旨在解决非独立同分布(Non‑IID)数据场景下协作公平性与模型性能失衡的难题。Non‑IID数据常导致模型性能下降及客户端贡献评估偏差，而现有方法因单维度评估致使贡献量化不准、奖励分配失衡。为此，本框架通过创新设计实现突破：首先构建多因素评估机制(MES)，从数据规模、分布多样性及历史贡献记录三维度准确量化客户端贡献，避免单维度局限；继而通过自适应动态声誉管理模块，采用时变权重系数并依据本地模型准确率更新声誉，初期保障数据多样性，后期聚焦高价值数据提升模型质量；最后基于Jensen‑Shannon散度构建梯度奖励分配模块，量化客户端与全局模型损失分布差异，实现差异化参数聚合，确保贡献与奖励线性匹配，提升公平性。各模块协同合作，使该框架在数据高度异构及类别分布不均环境中显著提升全局模型性能与公平性。实验表明，本方法在多个基准数据集上优于现有技术，为联邦学习提供高效、公平的解决方案。