FIRMA：面向隐私保护联邦学习的斐波那契环模型聚合
机器学习
2026-05-25 v1
摘要
联邦学习协议面临结构性三难囸局：基于服务器的聚合~\cite{mcmahan2017}创建单点故障和梯度反向风险；去中心化环 gossip 方案~\cite{hu2019segmented}通过非信息性均匀权重暴露分类头给半诚实同行；而个人化方法~\cite{collins2021exploiting}重新引入中心聚合。现有协议不存在同时实现无服务器运行、永久私有头部、环形拓扑和原则性非对称邻居加权的方案。我们提出FIRMA（\textbf{FI}bonacci \textbf{R}ing \textbf{M}odel \textbf{A}ggregation），这是一套三阶段递增强化的联邦学习协议：1) \fibfl 建立基础：无服务器环聚合，采用斐波那契加权邻居混合和永久私有分类头。2) \fibflp 在此基础上增添准确率门控邻居抑制，选择性地对收敛不佳的同行进行加权下调，同时保持斐波那契方向偏置。3) \fibflpp 作为完整系统，加入2-opt环排列以最大化相邻客户类别多样性，通过 gossip 传递实现全局环覆盖，并采用余弦退火自保留校准。我们建立了收敛速率上界及三个支撑命题，分别 governing 正规化、覆盖、保留和多样性最优性。系统实验覆盖28种配置——四个基准数据集交叉七种异构性情形——显示\fibflpp 在所有12个标签不平衡配置中均超越\fedavg，峰值优势在CIFAR-10上达到\,pp（）。在Dirichlet异构性下，\fibflpp 在所有无服务器协议中为Pareto优势方法，在28种配置中取得最高准确率。
引用
@article{arxiv.2605.22898,
title = {FIRMA: FIbonacci Ring Model Aggregation for Privacy-preserving Federated Learning},
author = {Rachid Hedjam},
journal= {arXiv preprint arXiv:2605.22898},
year = {2026}
}