El aprendizaje federado (FL) permite a los propietarios de datos entrenar colaborativamente un modelo de aprendizaje automático sin revelar sus datos privados y compartir los modelos globales. La participación confiable y continua de los clientes es esencial en FL para construir un modelo global de alta calidad a través de la agregación de actualizaciones locales de los clientes durante muchas rondas. Mecanismos de incentivos son necesarios para fomentar la participación del cliente, pero los clientes maliciosos podrían proporcionar actualizaciones ineficaces para recibir recompensas. Por lo tanto, se necesita un mecanismo de incentivos justo y confiable en FL para promover la participación continua de los clientes al seleccionar clientes con datos de alta calidad que beneficiarán a todo el sistema. En este documento, proponemos un esquema de incentivos de FL basado en la subasta inversa y la reputación de confianza para seleccionar clientes confiables y recompensar justamente a los clientes que tienen un presupuesto limitado. Las subastas inversas permiten a los clientes candidatos ofertar por la tarea mientras que las reputaciones reflejan su confiabilidad y fiabilidad. Nuestros resultados de simulación muestran que el esquema propuesto puede seleccionar con precisión a usuarios con contribuciones positivas al sistema basadas en la reputación y la calidad de los datos. Por lo tanto, en comparación con los esquemas existentes, el esquema propuesto logra un mayor beneficio económico alentar una mayor participación, satisface la equidad y precisión de las recompensas para promover un desarrollo estable de FL.