El aprendizaje federado (FL) puede romper el problema de los silos de datos y permitir que múltiples propietarios de datos entrenen colaborativamente modelos de aprendizaje automático compartidos sin revelar datos locales en la informática de borde móvil. Sin embargo, cómo incentivar a estos clientes a participar activamente en el entrenamiento y garantizar la convergencia eficiente y la alta precisión de prueba del modelo se ha convertido en un tema importante. Los métodos tradicionales a menudo utilizan un marco de subasta inversa pero ignoran la consideración de la volatilidad del cliente. Este documento propone un mecanismo de subasta inversa multidimensional (MRATR) que considera la incertidumbre del tiempo de entrenamiento del cliente y la reputación.