一种基于近端修正项的个性化联邦学习共形预测方法及系统

本发明提出了一种基于近端修正项的个性化联邦学习共形预测方法及系统，属于联邦学习技术领域，通过将传统共形预测中直接求取校准得分分位数的问题转化为分位损失函数的优化问题，使分位数求解过程具备可迭代性；通过在客户端本地损失函数中引入近端修正项，将本地分位数约束在全局聚合结果附近，在保持个性化特征的同时实现跨客户端信息共享；并通过联邦学习参数传递、加权聚合的方式实现分位数的多轮迭代更新，全程仅传输分位数参数，保证数据隐私安全。本发明旨在解决现有联邦学习共形预测方法在处理非独立同分布客户端数据、保证覆盖率稳定性、提升跨客户端公平性等方面的技术缺陷。