计算机研究与发展

作者：赵瑞,段小文,刘新,周睿,周庆国,

关键词：边缘计算, 联邦学习, 最优传输, 数据异构性, 聚类优化,

联邦学习作为一种边缘计算中的新兴分布式神经网络训练方法面临客户端数据异构性挑战，其中聚类联邦学习被认为是一种颇具潜力的解决方案，然而现有聚类联邦学习算法未深入探究量化客户端数据分布差异.针对该问题提出了一种新颖的层次化Sinkhorn距离聚类联邦学习算法（hierarchicalSinkhorndistance-basedclusteringfederatedlearningalgorithm，HS-CFA），采用最优传输代价衡量局部训练时客户端数据分布特性，提出层次化聚类策略动态调整全局模型聚合时的参与权重.具体而言，HS-CFA引入Sinkhorn距离量化客户端间的分布差异，提出使用基于密度的聚类算法在服务器端进行动态层次聚类.在多个基准数据集上的实验结果表明，相比传统算法，所提算法在高度数据分布异构性的场景中显著提升了全局模型的准确率和鲁棒性.

来源：2025年第12期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2025年第12期