QA-HFL：面向资源受限移动设备的质量感知层次化联邦学习框架
密码学与安全
2025-09-23 v2 计算机视觉与模式识别
摘要
本文提出QA-HFL（Quality-Aware Hierarchical Federated Learning），一种质量感知层次化联邦学习框架，高效处理资源受限移动设备上的异构图像质量问题。该方法为不同图像质量水平训练专门的本地模型，并通过质量加权融合机制聚合特征，同时引入差分隐私保护。在MNIST数据集上实验表明，QA-HFL仅经过三轮联邦聚合即可达到92.31%的准确率，显著优于FedRolex等最新方法（86.42%）。在严格隐私约束下，本方法维持30.77%的准确率，提供形式化差分隐私保证。反直觉的是，低端设备尽管参数数量少于100，却为最终模型贡献了最大63.5%。我们的质量感知方法通过设备特定正则化、自适应加权、智能客户端选择以及服务器端知识蒸馏，解决了准确率下降问题，同时保持高效通信（压缩比4.71%）。统计分析表明，在标准和隐私受限条件下，本方法与基线方法均显著优越（p=0.01）。
引用
@article{arxiv.2506.05411,
title = {QA-HFL: Quality-Aware Hierarchical Federated Learning for Resource-Constrained Mobile Devices with Heterogeneous Image Quality},
author = {Sajid Hussain and Muhammad Sohail and Nauman Ali Khan},
journal= {arXiv preprint arXiv:2506.05411},
year = {2025}
}
备注
Due to some technical issues