基于联邦学习的代价敏感卷积神经网络分类方法.pdfVIP

第４５卷第３期西安科技大学学报Ｖｏｌ．４５Ｎｏ３

２０２５年５月ＪＯＵＲＮＡＬＯＦＸＩ’ＡＮＵＮＩＶＥＲＳＩＴＹＯＦＳＣＩＥＮＣＥＡＮＤＴＥＣＨＮＯＬＯＧＹＭａｙ２０２５

王丹，吴腾，于振华，等．基于联邦学习的代价敏感卷积神经网络分类方法［Ｊ］．西安科技大学学报，２０２５，４５（３）：５９１－６０６．

ＷＡＮＧＤａｎ，ＷＵＴｅｎｇ，ＹＵＺｈｅｎｈｕａ，ｅｔａｌ．Ｃｏｓｔｓｅｎｓｉｔｉｖｅｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｆｅｄｅｒａｔｅｄ

ｌｅａｒｎｉｎｇ［Ｊ］．ＪｏｕｒｎａｌｏｆＸｉ’ａｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２０２５，４５（３）：５９１－６０６．

基于联邦学习的代价敏感卷积神经网络分类方法

１１１２３

王丹，吴腾，于振华，李冠琛，马志强

（１．西安科技大学人工智能与计算机学院，陕西西安７１００５４；

２．中煤科工集团信息技术有限公司能源数字科技分公司，陕西西安７１００５４；

３．空军工程大学信息与导航学院，陕西西安７１００７７）

摘要：为解决传统分布式学习方法在训练分类模型时面临的数据隐私泄露和类不平衡问题，

提出了一种基于联邦学习的代价敏感卷积神经网络分类方法（ＦｅｄＣｏＳｅｎ）。该方法基于联邦学

习框架，通过量化客户端数据的不平衡度，采用加权联邦平均策略进行全局模型训练，确保客户

端数据的隐私性以及全局模型聚合过程的公平性；结合自适应平衡交叉熵损失函数和代价敏感

卷积神经网络，优化客户端局部模型的分类性能。结果表明：在ＣＩＦＡＲ－１０数据集上模拟的２

种联邦学习类不平衡场景、ＣＯＶＩＤ－１９数据集上模拟的医疗类不平衡场景中，与对比试验中的最

佳方法ＦｅｄＦｏｃａｌ相比，ＦｅｄＣｏＳｅｎ在精确度上平均提升了１．８４％，在召回率上平均提升了

１８８％，在Ｆ１分数上平均提升了１．８７％；充分验证了该方法在保护数据隐私的前提下，处理类

不平衡数据分类任务中的有效性和适用性。

关键词：联邦学习；类不平衡；加权聚合；深度学习；分类

中图分类号：ＴＰ３９１文献标志码：Ａ文章编号：１６７２－９３１５（２０２５）０３－０５９１－１６

ＤＯＩ：１０．１３８００／ｊ．ｃｎｋｉ．ｘａｋｊｄｘｘｂ．２０２５．０３１６

Ｃｏｓｔｓｅｎｓｉｔｉｖｅｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓｃｌａｓｓｉｆｉｃａｔｉｏｎ

ｍｅｔｈｏｄｂａｓｅｄｏｎｆｅｄｅｒａｔｅｄｌｅａｒｎｉｎｇ

１１１２３

ＷＡＮＧＤａｎ牞ＷＵＴｅｎｇ牞ＹＵＺｈｅｎｈｕａ牞ＬＩＧｕａｎｃｈｅｎ牞ＭＡＺｈｉｑｉａｎｇ

牗１．ＣｏｌｌｅｇｅｏｆＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ＆ＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ牞ＸｉａｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ牞Ｘｉａｎ７１００５４牞Ｃｈｉｎａ牷

２．ＣｈｉｎａＣｏａｌＴｅｃｈｎｏｌｏｇｙａｎｄＥｎｇｉｎｅｅｒｉｎｇＧｒｏｕｐＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙＣｏ．牞Ｌｔｄ．牞

ＥｎｅｒｇｙＤｉｇｉｔａｌＴｅｃｈｎｏｌｏｇｙＢｒａｎｃｈ牞Ｘｉａｎ７１００５４牞Ｃｈｉｎａ牷

３．ＩｎｓｔｉｔｕｔｅｏｆＩｎｆｏｒｍａｔｉｏｎａｎｄＮａｖｉｇａｔｉｏｎ牞ＡｉｒＦｏｒｃｅＥｎｇｉｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙ牞Ｘｉａｎ７１００７７牞Ｃｈｉｎａ牘

Ａｂｓｔｒａｃｔ牶Ｔｏａｄｄｒｅｓｓｔｈｅｃｈａｌｌｅｎｇ