基于自适应梯度稀疏化增强的高效纵向联邦学习模型

来源：济南大学学报·自然科学版杂志2026年第02期北京时间：

作者：刘冬兰，赵夫慧，王睿，张昊，刘新，常英贤

摘要：为了解决纵向联邦学习模型训练过程中模型参数传输通信开销较大的问题，提出一种基于自适应梯度稀疏化增强的高效纵向联邦学习模型；在各参与方上传加密梯度之前，进行梯度稀疏化，进而优化模型参数传输效率；建立定量稀疏化阈值的端到端动态自适应映射算法，实现超参数阈值的动态自适应求解；基于各参与方私有数据，构建映射模型的输入特征指标集，实现数据驱动的梯度阈值求解过程，提高阈值的求解精度。实验仿真结果表明，相较于基准对比模型，提出的基于自适应梯度稀疏化增强的高效纵向联邦学习模型训练速度平均提升24.4%，且电力数据异常检测准确率平均提升9%，在保障检测准确率的同时，有效提高了纵向联邦学习的建模效率。

关键词：纵向联邦学习;梯度高效传输算法;梯度稀疏化;神经网络