计算机应用

作者：张宏扬, 张淑芬, 谷铮

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；4.唐山市大数据安全与智能计算重点实验室（华北理工大学），河北 唐山 063210

关键词：联邦学习,公平,个性化,异构数据,客户端选择

基金：国家自然科学基金资助项目(U20A20179)

作为一种分布式优化范式，联邦学习（FL）允许大量资源有限的客户端节点在不共享数据时协同训练模型。然而，传统联邦学习算法，如FedAvg，通常未充分考虑公平性的问题。在实际场景中，数据分布通常具备高度异构性，常规的聚合操作可能会使模型对某些客户端产生偏见，导致全局模型在客户端本地的性能分布出现巨大差异。针对这一问题，提出一种面向个性化与公平性的联邦学习FedPF（Federated learning for Personalization and Fairness）算法。FedPF旨在有效减少联邦学习中低效的聚合行为，并通过寻找全局模型与本地模型的相关性，在客户端之间分配个性化模型，从而在保证全局模型性能的同时，使客户端本地性能分布更均衡。将FedPF在Synthetic、MNIST以及CIFAR10数据集上进行实验和性能分析，并与FedProx、q-FedAvg和FedAvg这3种联邦学习算法进行对比。实验结果表明，FedPF在有效性和公平性上均得到了有效提升。

来源：2025年第7期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第7期