计算机应用

作者：景忠瑞, 陈学斌, 菅银龙, 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：联邦学习,协作公平性,K均值聚类,子模型下发,个性化

基金：国家自然科学基金资助项目(U20A20179)

传统联邦学习（FL）未考虑协作公平性，导致客户端获得的奖励与它的实际贡献不匹配。针对这一问题，提出一种基于个性化子模型和K均值聚类的联邦学习公平性算法（FedPSK）。首先，根据神经网络中神经元的激活模式对神经元聚类，且仅对聚类后的簇中心神经元进行重要性评估，并使用簇中心神经元的评分代表簇中其他神经元的评分，从而降低神经元评估的耗时；其次，使用层次选取方式选择客户端子模型中包含的神经元数量及编号，并为每个客户端建立具有完整神经网络结构的子模型；最后，通过为客户端下发子模型，实现协作公平性。在不同数据集上的实验结果表明，在公平度量的相关系数方面，FedPSK比FedSAC（Federated learning framework with dynamic Submodel Allocation for Collaborative fairness）提高了2.70%；在时间开销方面，FedPSK比FedSAC至少降低了84.12%。可见，FedPSK在提升FL算法公平性的同时，极大地降低了算法运行的时间开销，验证了所提算法的高效性。

来源：2025年第12期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第12期