基于强化学习的联邦学习正则项权重动态调节方法及系统

本发明公开了基于强化学习的联邦学习正则项权重动态调节方法及系统，涉及联邦学习技术领域。方法包括：中心服务器初始化训练参数；各客户端本地训练后上传模型参数及损失改进率；提取全局与局部状态特征，代入多目标动态激励函数计算动态奖励值；由强化学习智能体输出更新后的正则项权重，并对激励函数的多个核心系数执行差异化自适应更新；采用注意力机制动态加权聚合生成全局模型；迭代直至收敛。本发明通过强化学习动态调节正则项权重，结合多目标激励与自适应系数更新，提升了联邦学习在数据异质性场景下的收敛效率、稳定性与泛化性能。