计算机应用研究

作者：董华,范菁,郗恩康,金亚东,俞浩,孙伊航,

单位：云南民族大学a.电气信息工程学院;b.云南省无人自主系统重点实验室;c.云南省高校信息与通信安全灾备重点实验室,昆明650500；

关键词：联邦学习,计算效率,资源受限,模型压缩,更新策略,数据优化,

基金：国家自然科学基金资助项目(12361104)；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资助项目(202305AF150045)；云南省教育厅科学研究基金资助项目(2023Y0499)；CCF-深信服“远望”科研基金资助项目(20240210)；云南省教育厅科学研究基金资助项目(2025Y0670)；；

联邦学习作为一种分布式机器学习范式，通过参数聚合机制实现隐私保护下的协同模型训练，在智慧医疗、物联网等领域展现出解决数据孤岛问题的潜力。相比传统集中式学习范式，联邦学习在保护数据隐私的同时，仍需应对通信开销高、动态环境适应性不足等问题，资源受限设备中的计算效率瓶颈严重制约其实际部署。对此梳理了联邦学习效率优化的研究进展，从模型压缩、更新策略优化与数据计算优化三大方向系统梳理了联邦学习效率提升方法。现有研究表明，协同优化压缩策略与动态资源分配可降低通信开销并加速收敛。然而，现有方法仍面临模型精度损失、动态环境适应性不足等挑战。最后展望了未来研究方向，提出探索轻量原生模型架构、智能动态更新机制及高效恶意检测方法，以平衡效率与安全性，推动联邦学习在复杂场景下的规模化应用。

来源：2026年第5期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2026年第5期