自适应聚合联邦网络

遗忘率降3.91%

用模型一致性动态调整聚合权重，引导全局模型向最优方向更新，从而在非独立同分布数据上克服灾难性遗忘。

Benteng, Zhang · 毛莺池 · Haowen, Xu · Yihan, Chen · Muazu, Tasiu · He, Xiaoming · Wu, Jie

IEEE Internet of Things Journal 2025

参数信息

全局模型准确率提升

1.86 %

遗忘率降低

3.91 %

平均内存节省

2.57 GB

技术优势

遗忘率降低3.91%

通过整合与最新全局模型最相关的M个历史全局模型，克服灾难性遗忘，平均降低遗忘率3.91%。

全局模型准确率提升1.86%

通过动态调整每个本地模型的聚合权重，引导全局模型向最优方向更新，在非独立同分布设置下平均提升准确率1.86%。

节省内存最多2.57GB

与基线方法相比，FedAWAC平均节省内存使用量高达2.57GB，减轻设备存储压力。

应用场景

• 联邦学习模型优化：直接集成到现有联邦学习框架，无需改动设备端数据流，即插即用地优化非IID场景下的模型精度与抗遗忘能力。
• 工业物联网数据分析：在工业物联网设备存储受限、数据持续覆盖的条件下，保持全局模型对历史数据分布的记忆，稳定分析性能。
• 边缘设备智能：降低边缘设备参与联邦训练时的内存占用和通信开销，使智能终端在资源紧张下仍能协同学习。
• 机器人分布式学习：让机器人集群在各自环境数据非独立同分布时，持续从群体经验中受益而不遗忘早期技能。