面向非IID数据的IoT系统验证对齐客户端选择框架：VARS-FL
机器学习
2026-05-08 v1 人工智能
摘要
联邦学习系统通常采用无状态客户端选择方式，在每次通信轮次中独立处理，忽略对客户端贡献质量累积证据的积累。在非IID数据下，这会导致收敛缓慢和训练不稳定，尤其当选择依赖于本地代理（如训练损失）且与全局优化目标不对齐时。这些挑战在物联网（IoT）和工业物联网（IIoT）环境中尤为突出，因为数据高度异构，分布在观察不同流量模式的设备上。在本文中，我们提出了 VARS-FL（Validation-Aligned Reputation Scoring for Federated Learning），即客户端选择框架，通过衡量其更新对服务器端验证损失降低的贡献来量化每个客户端的贡献。这些每轮信号被聚合为声誉分数，该分数结合了最近贡献的滑动窗口平均与对参与度的对数比例缩放，实现鲁棒的探索-开发选择。VARS-FL 无需修改本地训练或聚合，完全兼容标准 FedAvg。我们在包含 100 个客户端、多个随机种子的 15 类非IID IoT 入侵检测任务上评估了 VARS-FL，并与 FedAvg、Oort 和 Power-of-Choice 进行比较。VARS-FL 在准确率、F1-Macro 和损失方面持续提升，同时加快收敛速度（达到 80% 准确率所需轮数最多减少 36%）。这些结果表明，验证对齐且历史感知的客户端选择为异构 IoT 环境下的联邦学习提供了更可靠和更高效的训练过程。
引用
@article{arxiv.2605.05896,
title = {VARS-FL: Validation-Aligned Client Selection for Non-IID Federated Learning in IoT Systems},
author = {Mohamed Lakas and Mohamed Amine Ferrag},
journal= {arXiv preprint arXiv:2605.05896},
year = {2026}
}