一种验证受限的联邦学习场景下数据要素价值评估方法

本发明公开了一种验证受限联邦学习场景下的数据要素价值评估方法（CSG‑Shapley），属于联邦学习与分布式机器学习技术领域。针对现有贡献评估方法依赖外部验证集、存在隐私泄露风险以及Shapley值计算复杂度高的问题，本方法在联邦学习多轮训练过程中收集客户端模型梯度更新及模型最后一层分类权重参数，进一步构建效用函数，实现无需外部验证集的贡献评估。在Shapley值近似计算中，引入引导式蒙特卡洛采样与双层截断机制，并利用服务器端子模型重构进行训练，在不增加客户端负担的前提下完成边际贡献计算。该方法能够在验证受限场景下实现对联邦学习客户端贡献的高效、公平评估，并显著降低计算复杂度，为联邦学习激励机制与数据要素价值分配提供有效技术方案。