一种基于动态联邦学习的公平激励方法

本发明公开了一种基于动态联邦学习的公平激励方法，属于联邦学习技术领域。针对如何在保证联邦学习环境公平性的同时，降低异质客户端数据对联邦全局模型性能负面影响的问题，通过设计基于多维竞标机制的训练合约算法，避免非法客户端对联邦模型的觊觎，提出基于模型参数的相似度平滑度量机制来公平度量客户端的贡献，提出训练价值系数的概念，并借助声誉值映射机制为每个客户端打造专属的训练价值系数，衡量客户端在后续学习中的价值与必要性，推动后续学习进程中资源的分配与高效利用。提出基于贪婪选择的客户端自适调整算法，该算法融合了贪婪思想与反馈控制机制，达成公平与高效并存的激励目标，保障联邦学习生态的可持续性与鲁棒性。