一种融合分层建模、动态权重与声誉监督的联邦学习系统

本发明属于但不限于联邦学习技术领域，公开了一种融合分层建模、动态权重与声誉监督的联邦学习系统，通过三重措施实现公平评估：依据用户样本量划分层级，分层训练模型以隔离数据差异，避免低层级用户过度影响高层级模型；动态权重调整模块，利用梯度余弦相似度近似Shapley值，实时计算用户贡献并调整聚合权重，增强高贡献用户影响力；声誉监督模块，结合滑动平均贡献值与异常检测机制，动态更新用户声誉，及时识别并剔除低质或恶意节点。该方法在MNIST和CIFAR‑10数据集上表现出更高的模型准确率与贡献评估合理性，尤其在低质污染、恶意攻击等复杂场景下，其模块化设计可灵活适配金融、医疗、物联网等多领域需求。