计算机应用研究

作者：俞浩,范菁,孙伊航,

单位：1.云南民族大学电气信息工程学院,昆明650000；2.云南省无人自主系统重点实验室,昆明650500；

关键词：联邦学习,异构性,无人系统,非独立同分布,数据隐私,

基金：国家自然科学基金资助项目(61540063)；教育部人文社会科学研究青年基金资助项目(20YJCZH129)；云南省吴中海专家工作站项目(202305AF150045)；云南省教育厅科学研究基金资助项目(2025Y0670)；云南民族大学硕士研究生科研创新基金资助项目(2022SKY004)；；

异构联邦学习（heterogeneous federated learning，HFL）是一种用于解决数据和设备异构性问题的分布式机器学习方法，广泛应用于包括无人系统在内的多种场景。随着无人系统（如无人机、自动驾驶车辆）的快速发展，如何有效应对非独立同分布（non-IID）数据及设备计算能力差异，已成为提升联邦学习效率和性能的重要挑战。综述了异构联邦学习在无人系统中的最新研究进展，重点分析了数据、设备及模型异构性带来的主要问题，并总结了现有的解决方案，如分层联邦学习、模型压缩与剪枝技术在此领域的应用。还讨论了这些技术的实际应用场景，评估了它们的优缺点，并提出了未来可能的研究方向，以进一步提升无人系统中的联邦学习性能和数据隐私保护水平。

来源：2025年第3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3期