计算机应用研究

作者：谷越,刘苗,孙振兴,

单位：1.南京信息工程大学电子与信息工程学院,南京210044；2.无锡学院电子信息工程学院,江苏无锡210045；3.东北石油大学秦皇岛校区,河北秦皇岛066044；

关键词：联邦学习,物联网安全,数据异构,特征增强,权重聚合,

基金：国家自然科学基金资助项目(61601111)；黑龙江省自然科学基金资助项目(LH2022F004)；“锡山英才计划”领军人才资助项目(2024xsyc002)；无锡学院人才启动项目(2024r014)；无锡学院引进人才科研启动专项经费资助项目(2024r014)；；

为了在保障数据安全的前提下，拓展联邦学习在物联网异构环境中的应用，提出一种融合域映射增强与对抗增益聚合机制的联邦学习框架。该框架引入域映射增强方法增强对数据特征的提取能力，提高了特征可分离性，从而提高模型性能。该框架还提出了一种对抗增益聚合方法，在聚合阶段动态调整客户端权重，减少异构性带来的全局模型性能损失。与FedGen相比，该框架的准确率提高了6.64个百分点。实验结果表明，该框架有效缓解了异构影响，在四个实验场景中均表现优异，显著提升了物联网应用模型的收敛稳定性和整体精度。

来源：2025年第12期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第12期