FedSCAM（联邦锐度感知最小化 with Clustered Aggregation and Modulation）：针对异构环境中鲁棒联邦优化的欺诈抗性SAM

联邦学习（FL）通过保护数据隐私的方式，在分布式边缘设备之间实现协作模型训练。然而，客户端之间统计异构性（通常表现为非独立同分布标签分布）对收敛性和泛化性构成重大挑战。虽然锐度感知最小化（SAM）已被引入联邦学习以寻求更平坦、更稳健的最小值，但现有方法通常在所有客户端上应用统一的扰动半径，忽略了客户端特定的异构性。在本工作中，我们提出FedSCAM（Federated Sharpness-Aware Minimization with Clustered Aggregation and Modulation），一种新型算法，基于客户端特定的异构性分数动态调整SAM扰动半径和聚合权重。通过计算每个客户端的异构性指标，并以该分数反比例调制扰动半径，FedSCAM可防止高方差客户端 destabilize全局模型。进一步，我们引入基于异构性的加权聚合机制，优先选择与全局优化方向一致的客户端更新。 在CIFAR-10和Fashion-MNIST上的大量实验表明，在各种Dirichlet分布-based标签偏斜程度下，FedSCAM在收敛速度和最终测试准确率方面，均在FedSAM、FedLESAM等最先进基线之中取得了具竞争力的性能。