计算机应用

作者：张淑芬, 张宏扬, 任志强, 陈学斌

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；4.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,公平性,数据选择,模型优化,贡献评估,激励机制

基金：国家自然科学基金资助项目(U20A20179)

联邦学习（FL）凭借分布式结构和隐私安全的优势快速发展，但大规模FL引发的公平性问题影响了FL系统的可持续性。针对FL的公平性问题，对近年FL公平性的研究工作进行了系统梳理和深度分析。首先，对FL的工作流程和定义进行了解释，总结了FL中的偏见和公平性概念；其次，详细归纳了FL公平性研究中常用的数据集，探讨了公平性研究所面临的挑战；最后，从数据源选择、模型优化、贡献评估和激励机制这4个方面归纳梳理了相关研究工作的优缺点、适用场景以及实验设置等，并展望了FL公平性未来的研究方向和趋势。

来源：2025年第1期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第1期