一种异构环境下基于模糊熵的联邦学习模型聚合权重动态分配方法

本发明涉及一种异构环境下基于模糊熵的联邦学习模型聚合权重动态分配方法，属于联邦学习与智能权重分配技术领域。该方法通过持续监测并记录参与联邦学习的各异构客户端的运行状态特征，构建状态特征时间序列；利用模糊熵理论量化状态特征时间序列所反映的客户端运行状态不确定性或波动性，得到每个客户端的模糊熵值；基于模糊熵值，为每个客户端计算得到一个与其状态稳定性负相关的动态聚合权重；服务端依据动态聚合权重对各客户端提交的本地模型更新进行加权聚合，生成全局模型。本发明有效降低了运行状态不佳或不稳定的客户端对全局模型训练过程的负面影响，提高了联邦学习系统在异构环境下的模型聚合效率与鲁棒性。