计算机应用研究

作者：黄俊煌,宁建廷,侯琳珊,陈志豪,马楚阳,

单位：1.福建师范大学a.计算机与网络空间安全学院;b.福建省网络安全与密码技术重点实验室,福州350117；2.哈尔滨工业大学(深圳)计算机科学与技术学院,广东深圳518055；3.江苏师范大学计算机科学与技术学院,江苏徐州221116；

关键词：联邦学习,客户端漂移,非独立同分布,对抗性伪样本,

基金：国家自然科学基金资助项目(62372108,62425205)；；

针对联邦学习在处理非独立同分布（non-IID）数据时，各客户端本地模型训练易偏离全局最优方向而产生“客户端漂移”，进而导致全局模型精度下降、收敛缓慢的问题，提出一种名为 FedAGen 的联邦学习漂移校准算法。该算法在客户端利用一种新颖的对抗性优化方法：以全局模型为向导，对本地样本施加扰动，在特征空间中生成能够模拟全局数据分布的伪样本。通过将这些伪样本纳入本地训练，从数据源头主动校准由数据偏斜引起的模型漂移。在CIFAR-10、CIFAR-100及FEMNIST数据集上的实验结果表明所提算法性能优越。在non-IID环境下（Dirichlet参数为0.3），模型最终测试准确率分别达到了86.85%、62.31%和86.02%。与经典的FedAvg算法相比，在CIFAR-100上的精度提升超过11个百分点，且在不同数据异构程度下均表现出强大的鲁棒性与更快的收敛速度。研究表明，FedAGen能有效缓解客户端漂移，在不显著增加通信开销的前提下，显著提升了non-IID场景下联邦学习系统的模型精度与训练效率，验证了该方法的有效性和优越性。

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