计算机应用

作者：葛丽娜, 王明禹, 田蕾

单位：1.广西民族大学 人工智能学院，南宁 530006；2.广西混杂计算与集成电路设计分析重点实验室（广西民族大学），南宁 530006；3.广西民族大学 网络通信工程重点实验室，南宁 530006

关键词：联邦学习,深度学习,通信效率,隐私保护,机器学习

基金：国家自然科学基金资助项目(61862007)

联邦学习作为一个分布式机器学习框架，解决了数据孤岛问题，对个人及企业的隐私保护起到了重要作用。然而，由于联邦学习的特点，效率问题（尤其是高昂的成本）仍旧是目前急需解决的，这一现状仍不尽如人意。因此，全面调研并总结当前主流的关于联邦学习高效性的研究。首先，回顾高效联邦学习的背景，包括它的由来以及核心思想，并解释联邦学习的概念和分类；其次，论述基于联邦学习而产生的高效性问题，并将它们分为异构性问题、个性化问题和通信代价问题；再次，在此基础上详细分析并论述高效性问题的解决方案，并将高效联邦学习研究分为模型压缩优化方法以及通信优化方法这2个类别后进行调研；继次，通过对比分析，总结各联邦学习方法的优缺点，并阐述目前高效联邦学习中仍存在的挑战；最后，给出高效联邦学习领域未来的研究方向。

来源：2025年第8期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第8期