异质环境下原型联邦学习模型距离校正与聚合算法

来源：计算机工程与应用杂志2025年第7期北京时间：

作者：王鑫, 丁雪爽

单位：陕西科技大学 电子信息与人工智能学院，西安 710021

摘要：针对联邦学习中因客户端数据集非独立同分布及设备算力参差不齐所导致的模型偏差大、收敛不稳定及泛化性差等问题，提出了一种基于原型联邦学习模型距离校正与聚合算法（FedMPD）。FedMPD在客户端本地构建嵌入网络提取异质数据特征，并通过设置局部与全局原型的修正项来校正客户端模型。此外，算法引入了原型距离约束条件，允许客户端根据局部原型与全局原型的距离阈值自适应调整训练周期，以缓解设备异质性的影响。在模型聚合阶段，FedMPD采用了一种加权聚合策略，该策略综合考虑客户端的数据量和局部原型质量，以更准确地量化不同客户端对全局模型的贡献度。实验结果表明，FedMPD在模型收敛稳定性、测试损失降低以及测试精度提升等方面均显著优于传统联邦学习算法，为异质环境下联邦学习提供了一种稳定、高效且逻辑严谨的方法。

关键词：联邦学习,原型学习,对比损失,度量学习,异质性数据处理