El entrenamiento distribuido de aprendizaje automático federado, conocido como aprendizaje federado (FL), se discute en modelos por múltiples participantes que utilizan datos locales sin comprometer la privacidad de los datos y violar las leyes. En este documento, consideramos el entrenamiento de modelos de aprendizaje automático federado con actitudes de participación inciertas y beneficios inciertos de cada participante federado, y para fomentar que todos los participantes entrenen los modelos de FL deseados, diseñamos un mecanismo de incentivos de valor de Shapley difuso con supervisión. En este mecanismo de incentivos, si la supervisión del mecanismo supervisado detecta que las ganancias de un participante federado alcanzan un valor que satisface la condición de optimalidad de Pareto, el participante federado recibe una distribución de ganancias federadas. Los resultados de experimentos numéricos demuestran que el mecanismo logra con éxito una distribución justa y óptima de ganancias. La contradicción entre equidad y optimización de Pareto se resuelve mediante la introducción de un mecanismo supervisado.