计算机应用

作者：王磊, 周文轩, 贾柠晖, 屈志昊

单位：1.国网江苏省电力有限公司 信息通信分公司，南京 210024；2.水利部水利大数据重点实验室（河海大学），南京 211100

关键词：联邦学习,梯度量化,两阶段压缩,物联网,隐私保护

基金：国网江苏省电力有限公司科技项目(J2023077)

针对隐私敏感物联网（IoT）场景中联邦学习面临巨大通信开销和梯度反演隐私泄露风险问题，提出一种名为QPR（Quantization and Pull Reduction）的两阶段联邦学习通信压缩框架。首先，将训练节点通过梯度量化技术压缩本地梯度后上传至服务器，以降低梯度传输的开销；其次，引入基于概率阈值的延迟模型下载机制（lazy pulling）以降低模型的同步频率，训练节点以预设概率同步全局模型，而其余迭代中复用本地历史模型；最后，通过严格的理论分析确保QPR在收敛速度上达到与标准无通信压缩联邦学习——联邦平均（FedAvg）算法相同的渐进阶次，且具备随训练节点数增多而线性加速的特性，从而保证系统的可延展性。实验结果表明，QPR在多个基准数据集和机器学习模型上均能显著提升通信效率。以ResNet18模型在CIFAR-10数据集上的训练任务为例，QPR在不损失模型精度的前提下，与无压缩的FedAvg算法相比，最高实现了8.27的通信加速比。

来源：2026年第3期

《计算机应用》期刊编辑部

查看计算机应用杂志2026年第3期