计算机应用

作者：俞浩, 范菁, 孙伊航, 金亚东, 郗恩康, 董华

单位：1.云南民族大学 电气信息工程学院，昆明 650504；2.云南省无人自主系统重点实验室（云南民族大学），昆明 650504；3.云南省高校信息与通信安全灾备重点实验室（云南民族大学），昆明 650504

关键词：联邦学习,异构性,分割学习,循环拓扑,高效性

基金：教育部-新一代信息技术创新项目(2023IT077);云南省教育厅科学研究基金资助项目(2025Y0670);云南省吴中海专家工作站项目(202305AF150045)

联邦学习（FL）作为一种以隐私保护为核心的分布式学习框架，已有效解决了数据孤岛问题。然而，现实中的物联网（IoT）终端设备通常呈现出异构特性，特别是设备性能的差异以及数据的非独立同分布（Non-IID）特性，这些会导致模型的性能和收敛速度下降。针对这些挑战，提出一种边缘异构下的联邦分割学习优化方法FedCRS （Federated Cluster-based Round Splitting）。首先，通过基于设备性能的自适应聚类策略，动态地将客户端分簇，并为每个簇设计适配的子模型，以平衡计算负载，从而解决设备异构性带来的落后者效应；其次，提出一种环形拓扑的循环模型传递机制，以通过簇内客户端局部模型的融合缓解数据异构性带来的客户端漂移现象，并显著提升全局模型的鲁棒性与泛化能力。在FMNIST、CIFAR-10和CIFAR-100共3个标签异构分布的数据集上的实验结果表明，相较于FedAvg （Federated Averaging）、FedProx、MOON （MOdel-cONtrastive learning）、SplitFed和SplitMix （Split Mixing）这5种基线方法，所提方法在精度上均取得最优表现，至少分别提高了8.7、11.1和2.1个百分点；同时在FMNIST、CIFAR-10数据集上的收敛速度至少分别提升了78.1%和13.2%。可见， FedCRS在边缘异构环境下优化联邦模型精度与收敛速度时是有效的，展现出较好的实际应用前景。

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