计算机应用

作者：张珂嘉, 方志军, 周南润, 史志才

单位：1.上海工程技术大学 电子电气工程学院，上海 201620；2.东华大学 计算机科学与技术学院，上海 201620；3.上海中侨职业技术大学 信息工程学院，上海 201514

关键词：联邦学习,数据异构,个性化联邦学习,模型预分配,自蒸馏

基金：科技创新2030—“新一代人工智能”重大项目(2020AAA0109300);上海市科委地方院校能力建设项目(23010501800)

联邦学习（FL）是一种分布式机器学习方法，即利用分布式数据在训练模型的同时保护数据隐私。然而，它在高度异构的数据分布情况时表现不佳。个性化联邦学习（PFL）通过为每个客户端提供个性化模型来解决这一问题。然而，以往的PFL算法主要侧重于客户端本地模型的优化，忽略了服务器端全局模型的优化，导致服务器计算资源没有得到充分利用。针对上述局限性，提出基于模型预分配（PA）与自蒸馏（SD）的PFL方法FedPASD。FedPASD从服务器端和客户端2方面入手：在服务器端，对下一轮客户端模型有针对性地预先分配，这样不仅能提高模型的个性化性能，还能有效利用服务器的计算能力；在客户端，经过分层训练，并通过模型自蒸馏微调使模型更好地适应本地数据分布的特点。在3个数据集CIFAR-10、Fashion-MNIST和CIFAR-100上，将FedPASD与FedCP （Federated Conditional Policy）、FedPAC （Personalization with feature Alignment and classifier Collaboration）和FedALA （Federated learning with Adaptive Local Aggregation）等作为基准的典型算法进行对比实验的结果表明：FedPASD在不同异构设置下的测试准确率都高于基准算法。具体而言，FedPASD在CIFAR-100数据集上，客户端数量为50，参与率为50%的实验设置中，测试准确率较传统FL算法提升了29.05~29.22个百分点，较PFL算法提升了1.11~20.99个百分点；在CIFAR-10数据集上最高可达88.54%测试准确率。

来源：2026年第1期

《计算机应用》期刊编辑部

查看计算机应用杂志2026年第1期