【摘要】联邦学习在保护数据隐私安全的同时，实现了模型共享，提高了模型训练精度。然而，如何鼓励数据所有者参与联邦学

习并贡献高质量的数据是联邦学习面临的一个关键性问题。现有的相关研究很少对联邦学习任务中的数据质量、模型聚合和奖励分

配问题进行系统考虑。本文在现有研究的基础上，结合数据质量、声誉评估和奖励分配，提出了一种基于声誉评估的联邦学习激励机

制，旨在提高联邦学习的效率和效果。该机制利用声誉评估对数据所有者的贡献进行公正衡量，并根据贡献动态调整本地模型优化

策略，从而给予更多的奖励。此外，该机制还采用了一种基于ＰｏｌｙＬｏｓｓ 的损失函数来优化联邦学习模型的质量。最后，在ＭＮＩＳＴ 和

ＣＩＦＡＲ－１０ 数据集上进行了仿真实验，验证了该机制的有效性。实验结果显示，该激励机制能够促进数据所有者积极参与联邦学习

任务，并提供高质量的数据来训练本地模型，从而提高联邦学习模型的质量。