基本信息

---

下载

文档摘要

---

摘要

摘要

联邦学习作为一种分布式机器学习范式，能够在保护数据隐私的前提下实现

多方数据协同建模，但其性能在客户端数据异构的场景下显著下降。传统方法的随

机客户端选择难以有效捕捉全局数据分布特征，简单参数聚合策略导致权重分配

评估指标单一，导致高质量客户端无法充分发挥其价值，全局模型泛化能力差。本

文针对上述问题，提出两种系统性优化方案，分别从客户端选择与模型聚合两个关

键环节切入：

（1）为了解决随机选择客户端无