一种联邦学习中基于满意度的模型训练激励方法

本发明涉及一种联邦学习中基于满意度的模型训练激励方法，在基于联邦学习的元计算框架中，计算信息年龄和服务延迟，利用调整质量参数调整数据大小，并结合信息年龄，得到模型质量，利用转换参数调整模型质量和服务延迟，得到满意度，根据满意度和服务器奖励得到服务器效用，根据节点效用和服务器效用构建斯坦伯格博弈模型，其中，服务器作为领导者确定奖励策略，节点作为追随者根据服务器的奖励策略选择节点更新周期，使用深度强化学习算法求解斯坦伯格博弈模型，得到激励方案。利用转换参数调整模型质量和服务延迟，以平衡模型质量和服务延迟，并将用于平衡模型质量和服务延迟的满意度融入服务器效用，从而能够有效激励节点参与联邦学习。