全局原型关系感知与选择性锐度优化的个性化联邦学习
Personalized federated learning with global prototype relation awareness and selective sharpness optimization
1. 广西大学 计算机与电子信息学院, 南宁 530004
2. 广西壮族自治区信息中心, 南宁 530000
摘要
针对个性化联邦学习中传统均值原型在数据异构场景下容易产生偏差，以及本地模型易陷入局部过拟合的问题，提出一种全局原型关系感知与选择性锐度优化的个性化联邦学习框架FedGSO(Personalized Federated Learning with Global Prototype Relation Awareness and Selective Sharpness Optimization)。该框架将本地类别原型参数化，并利用全局原型间的相似关系动态调整对比学习约束，分离特征空间中易混淆的类别。引入选择性层级锐度感知最小化策略，仅对关键共享表示层施加扰动，引导模型收敛至平坦极小值区域。在三个公开数据集上的实验表明，FedGSO均优于最近的个性化联邦学习方法。尤其在CIFAR-100的两种典型异构设置下，测试准确率分别达到72.86%和62.06%，相比最佳基线分别提升2.19%和2.70%。结果验证了该方法在异构数据下分离易混淆类别和增强模型泛化能力的有效性。
基金项目
广西数字基础设施重点实验室开放基金(GXDINBC202406)
国家自然科学基金(61962005)
出版信息
DOI: 10.19734/j.issn.1001-3695.2026.04.0138
出版期卷: 《计算机应用研究》 优先出版, 2027年第44卷 第1期
发布历史
[2026-08-28] 优先出版
引用本文
谭以婷, 李炫池, 文静, 等. 全局原型关系感知与选择性锐度优化的个性化联邦学习 [J]. 计算机应用研究, 2027, 44 (1). (2026-09-14). https://doi.org/10.19734/j.issn.1001-3695.2026.04.0138. (Tan Yiting, Li Xuanchi, Wen Jing, et al. Personalized federated learning with global prototype relation awareness and selective sharpness optimization [J]. Application Research of Computers, 2027, 44 (1). (2026-09-14). https://doi.org/10.19734/j.issn.1001-3695.2026.04.0138. )
关于期刊
- 计算机应用研究 月刊
- Application Research of Computers
-
刊号
ISSN 1001-3695
CN 51-1196/TP
《计算机应用研究》创刊于1984年，是由四川省科技厅所属四川省计算机研究院主办的计算技术类学术刊物。
《计算机应用研究》瞄准本学科领域迫切需要的前沿技术，及时反映国内外计算机应用研究的主流技术、热点技术及最新发展趋势。主要刊载内容包括本学科领域高水平的学术论文、本学科最新科研成果和重大应用成果。栏目内容涉及计算机学科新理论、计算机基础理论、算法理论研究、算法设计与分析、区块链技术、系统软件与软件工程技术、模式识别与人工智能、体系结构、先进计算、并行处理、数据库技术、计算机网络与通信技术、信息安全技术、计算机图像图形学及其最新热点应用技术。
《计算机应用研究》拥有众多高层次读者、作者，读者对象主要为从事计算机学科领域高、中级研究人员及工程技术人员，各高等院校计算机专业及相关专业的师生。多年来《计算机应用研究》的总被引频次及Web下载率一直名列本学科同类学术刊物前茅，所刊发的学术论文以其新颖性、学术性、前瞻性、导向性、实用性而备受广大读者的喜爱。
收录和评价
- 第二届国家期刊奖百种重点期刊
- 中国期刊方阵双效期刊
- 全国中文核心期刊（北大2023年版）
- 中国科技核心期刊
- 中国科学引文数据库(CSCD)来源期刊
- RCCSE中国核心学术期刊
- 中国计算机学会会刊
- 2020—2022年科技期刊世界影响力指数(WJCI)报告收录期刊
- 中国科技期刊精品数据库全文来源期刊
- 中国学术期刊综合评价数据库来源期刊
- 《中国期刊网》《中国学术期刊(光盘版)》来源期刊
- 2017—2019年中国国际影响力优秀学术期刊(自然科学与工程技术)
- 中国精品科技期刊顶尖学术论文(F5000)项目来源期刊
- 《中国工程技术电子信息网》《电子科技文献数据库》来源期刊
- 英国《科学文摘》(INSPEC)来源期刊
- 《日本科学技术振兴机构数据库》(JST)来源期刊
- 俄罗斯《文摘杂志》(AJ, VINITI)来源期刊
- 美国《艾博思科学术数据库》(EBSCO)全文来源期刊
- 美国《剑桥科学文摘(自然科学)》(CSA(NS))核心期刊
- 波兰《哥白尼索引》(IC)来源期刊
- 美国《乌利希期刊指南(网络版)》(Ulrichsweb)收录期刊
