一种联邦学习中基于动态马氏距离的模型权重分配方法及系统

本申请公开了一种联邦学习中基于动态马氏距离的模型权重分配方法及系统，涉及分布式机器学习技术领域，该方法包括：服务器初始化全局模型的模型参数，并基于各客户端的本地数据集为客户端分配初始权重；各客户端采用本地数据集对全局模型进行训练，得到各客户端在当前训练轮次下的更新后的本地模型；基于更新后的本地模型的模型参数，确定各客户端的马氏距离；基于各客户端的马氏距离和时间衰减学习率，确定各客户端的目标权重；服务器基于各客户端的目标权重和对应的本地模型的模型参数，得到聚合后的全局模型，完成当前训练轮次下的模型权重分配。本申请解决了联邦学习中因数据异质性导致的模型偏差与公平性失衡问题。