计算机应用研究

作者：罗浩文,盛志伟,

单位：成都信息工程大学a.网络空间安全学院(芯谷产业学院);b.先进密码技术与系统安全四川省重点实验室;c.先进微处理器技术国家工程研究中心(工业控制与安全分中心),成都610225；

关键词：联邦学习,数据异构,梯度校正,历史模型,聚类采样,

基金：成都市重点研发支撑计划资助项目(2024-YF05-01227-SN)；；

联邦学习能够在保证本地数据隐私的前提下完成全局机器学习模型训练，但面临着由数据异构情况导致的全局模型精度低、收敛速度慢的问题。针对以上问题，提出了一种基于历史模型数据的动态联邦学习方法FedHD（federated learning with historical data）。FedHD基于客户端模型的历史模型和全局模型信息对客户端模型更新方向进行动态校正，在提升全局模型的精度的同时保证了模型收敛过程中的平滑性与鲁棒性。同时对客户端进行基于模型相似度的聚类采样，并通过滑动窗口机制引入历史模型数据，提升采样过程的可用性与鲁棒性，最终实现全局模型收敛速度的提升。最后，在不同的数据异构场景进行实验，结果表明，在MNIST和CIFAR-10上FedHD相较于其他算法在模型精度和收敛速度上均有所提升，同时拥有更好的鲁棒性，验证了该方法在数据异构环境下有着良好表现。

来源：2026年第4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4期