自适应原始-对偶联邦学习

缓解客户端漂移

通过自适应本地蒸馏和动量最小锐度梯度校正，在高数据异质性下提升联邦学习全局模型的准确率和收敛速度。

Lai, Jinshan · 李冬芬 · Muhammad Khurram, Khan · 张凤荔 · Jieying, Zhao · 王瑞锦 · Li, Xiong

IEEE Internet of Things Journal 2025

技术优势

自适应温度蒸馏

根据数据异质性程度动态调整蒸馏温度，纠正梯度更新，减轻客户端漂移。

梯度方差降低

通过动量最小锐度校正最小化客户端间梯度方差，增强本地一致性。

应用场景

• 工业物联网：在非独立同分布数据下训练全局模型，保护设备数据隐私。
• 边缘智能：在资源受限的边缘设备上协作训练，减少通信开销。
• 分布式学习：应对客户端漂移，提升分布式训练的准确率与收敛速度。