双重识别联邦学习

噪声中稳健学习

一个能同时识别并利用噪声客户端与噪声样本的联邦学习算法，让模型在嘈杂的分布式数据中依然稳健。

Bi, Wenzheng · 李冬梅 · Chen, Suhua · 龚黎华

Neurocomputing 2026

技术优势

把噪声变成训练信号

负学习模块用全局噪声模型作为参照，引导本地模型远离错误方向，相当于从噪声客户端模型里也榨出了有用信息。

准确率更高、收敛更快

在多个数据集上对比现有联邦学习方法，FedDN 的准确率和收敛速度都更好，实验部分给出了具体提升。

应用场景

• 分布式机器学习：在客户端数据含噪的分布式训练中保持模型稳定，免去人工清洗。
• 隐私保护计算：保护本地数据的同时抵御噪声干扰，让隐私计算更可靠。
• 边缘智能：适配边缘设备上数据质量参差不齐的场景，提升本地模型鲁棒性。