面向异构边缘设备的联邦学习客户选择方法
来源：计算机应用与软件杂志2025年第10期北京时间：
作者：乔晓杰, 王亮亮
摘要：由于联邦学习每轮只是选择一小部分客户端参与,并且物联网环境中各客户端之间通常存在异构性,使得该训练方式下的模型收敛差异较大。为了降低异构性的影响,引入聚类抽样来选择参与客户,利用局部数据计算的梯度向量作为客户端聚类特征,将参与客户划分为多个集群,以此来提高模型聚合过程中客户端的代表性,保证非抽样客户端的数据特殊性。实验结果表明,与现有的抽样方案相比,通过聚类抽样的训练能够有效提高模型收敛速度,并且当本地数据处于高度异构的情况下,模型准确率能够提升约5百分点。
关键词：联邦学习, 异构性, 聚类抽样, 模型聚合
