摘要
本发明公开了一种基于动态子模型的联邦学习方法、装置、介质及设备，所述方法包括：对用户上传的本地模型参数进行聚合，得到更新后的全局模型；判断下一轮的通信轮次是否达到预设周期轮次；若达到预设周期轮次，则根据全局模型和每个神经元的重要性得分，重新构建多个具有不同神经元规模的子模型，并且基于用户的声誉，分配相应的子模型作为本地模型；若未达到预设周期轮次，则根据全局模型，更新每个子模型的参数并下发给对应的用户作为本地模型。本发明能够有效地降低本地模型之间的不一致性，以及显著地提高各用户之间的公平性。
