一种联邦学习方法及系统

本发明属于联邦学习技术领域，公开一种联邦学习方法及系统，包括基于各集群领导者上报的自身集群的相关信息，利用智能合约和VCG拍卖机制计算各集群模型的训练数据量及隐私保护策略，并确定补偿方案，并通过斯塔克伯格博弈确定领导者向生产者需要支付的单价和生产者的训练数据量，完成初始模型参数的下发；利用拜占庭容错主链下载全局模型并分发至各参与者进行本地训练，通过随机梯度下降计算梯度值，使用双层共识算法上传集群模型至拜占庭容错主链，通过智能合约为各集群模型添加由VCG拍卖确定的差分隐私策略的拉普拉斯噪声。本发明确保激励分配的公平性与合理性，实现训练策略的最优配置，并最大化联盟整体福利。