近日，我校网络与服务计算团队联合北京交通大学和新加坡南洋理工大学，在智能物联网与个性化联邦学习领域取得重要研究进展。相关成果发表在中国计算机学会认定的CCF A类期刊《IEEE Transactions on Services Computing》和中科院一区期刊《IEEE Transactions on Cognitive Communications and Networking》。我校为论文第一单位，第一作者分别为计算机科学与技术学院硕士研究生邓东上、博士研究生张卫东，通讯作者均为吴宣够教授。

（pFedCal算法整体结构图）

（pFedCal算法在精度、公平性上的性能比较）

联邦学习作为一种保护数据隐私的分布式计算框架，允许多个客户端在不共享原始数据的情况下协同训练模型。然而，现实场景中，统计异构性、资源约束和公平性等问题限制了其实际应用。针对统计异构性导致的聚合差距问题，团队提出了pFedCal算法，通过轻量级自适应校准策略，在模型初始化阶段引入基于全局梯度和最新梯度偏差的校准补偿，有效降低计算开销并提升公平性。理论分析表明，在适当的学习率下，pFedCal可收敛至非凸损失函数的一阶平稳点。

（FedPMP算法整体框架图）

（FedPMP算法在精度、公平性上的性能比较）

针对分布式客户端数据的异构性导致相同任务在不同客户端的特征分布差异显著问题，团队提出FedPMP算法，通过自适应模型分区和个性化模型聚合，针对每个客户端的数据分布定制个性化模型。FedPMP将模型分为全局共享组件和本地个性化组件，前者捕捉跨用户群体的通用特征，后者提取用户特定的个性化特征。个性化聚合策略根据特征相关性分别整合共享和个性化组件，促进客户端间的协作。实验表明，FedPMP在多个人类活动识别基准测试中有效应对特征漂移问题，平均提升识别准确率5%，并显著降低客户端间准确率的方差，展现了其高效性和鲁棒性。

研究工作深化了对联邦学习中异构性问题的理解，为隐私保护场景下的高效模型训练提供了理论和实践指导，为未来联邦学习算法的设计与物联网中应用奠定了坚实基础。研究工作得到了国家自然基金项目，安徽高校协同创新项目和项目支持。

论文链接：

https://doi.org/10.1109/TSC.2025.3553707

https://doi.org/ 10.1109/TCCN.2025.3569555

    （撰稿：赵伟 审核：黄俊 张苒 王菁）