计算机应用

作者：菅银龙, 陈学斌, 景忠瑞, 钟琪, 张镇博

单位：1.华北理工大学 理学院，河北 唐山 063210；2.河北省数据科学与应用重点实验室（华北理工大学），河北 唐山 063210；3.唐山市数据科学重点实验室（华北理工大学），河北 唐山 063210

关键词：生成对抗网络,联邦学习,非独立同分布,客户端选择,数据增强

基金：国家自然科学基金资助项目(U20A20179)

针对非独立同分布（Non-IID）场景下，联邦学习系统面临收敛缓慢和模型准确率降低等挑战，提出联邦学习中基于条件生成对抗网络的数据增强方案（FDA-GAN）。首先，设计一种类别选择的条件生成器为每个类别添加独立的网络模块，并将标签作为条件信息，以更精确地提取各类别的特定特征；其次，提出一种覆盖类别的客户端选择策略来基于客户端的综合奖励，选择包含尽可能多类别的客户端集合参与训练，确保生成对抗网络（GAN）能学习到完整的类别分布；最后，利用生成样本扩充客户端的本地数据集，以优化本地数据的特征构成，减小客户端之间的偏差。实验结果表明，FDA-GAN在狄利克雷数据划分下，相较于CAP-GAN （Collaborated gAme Parallel learning based on GAN）的MNIST Score （MNIST inception Score）和Mode Score指标上分别提升了2.67和1.08， 在FID （Fréchet Inception Distance）和MMD （Maximum Mean Discrepancy）指标上分别降低了55.12和2.56；在不同的Non-IID场景下， FedAvg （Federated Averaging）和FedProx （Federated Proximal）算法在结合FDA-GAN后，在50轮通信轮次内达到收敛，并且准确率提升了至少30.36个百分点。可见， FDA-GAN可以提高生成样本的质量与多样性，而且与基线算法结合后可以大幅提高联邦模型的准确率和收敛速度。

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