FedCCA：针对物联网设备数据异构性的客户端导向适应性联邦学习
机器学习
2026-01-27 v1 人工智能
摘要
随着物联网(IoT)的快速发展，对私有数据(如人类感知数据)上的AI模型训练迫切需求日益增长。联邦学习(Federated Learning, FL)已成为此目的下的隐私保护分布式训练框架。然而，物联网设备之间的数据异构性问题会显著降低FL中的模型性能和收敛速度。现有方法局限于固定客户端选择和云端聚合，使得在本地训练期间从保护隐私的前提下提取客户端特定信息具有挑战性。为此，我们提出了Client-Centric Adaptation联邦学习(FedCCA)，一种通过选择性适应性地利用客户端特定知识来为每个客户端学习独特模型的算法，以缓解数据异构性的影响。具体而言，FedCCA采用动态客户端选择和基于额外客户端特定编码器的自适应聚合。为增强多源知识传递，我们采用基于注意力机制的全局聚合策略。我们在多样化的数据集上进行了大量实验，以评估FedCCA的有效性。实验结果表明，该方法在解决此特定问题方面相较于竞争基线显著优于。
引用
@article{arxiv.2601.17713,
title = {FedCCA: Client-Centric Adaptation against Data Heterogeneity in Federated Learning on IoT Devices},
author = {Kaile Wang and Jiannong Cao and Yu Yang and Xiaoyin Li and Yinfeng Cao},
journal= {arXiv preprint arXiv:2601.17713},
year = {2026}
}
备注
Accepted by IEEE Annual Congress on Artificial Intelligence of Things (IEEE AIoT) 2025