联邦学习的高效性研究综述.pdfVIP

JournalofComputerApplicationsISSN1001⁃90812025⁃08⁃10

计算机应用,2025,45(8):2387-2398CODENJYIIDUhttp://www.joca.cn

文章编号：1001-9081（2025）08-2387-12DOI:10.11772/j.issn.1001-9081.2024081119

联邦学习的高效性研究综述

1，2，3*1，31，3

葛丽娜，王明禹，田蕾

（1.广西民族大学人工智能学院，南宁530006；2.广西混杂计算与集成电路设计分析重点实验室（广西民族大学），南宁530006；

3.广西民族大学网络通信工程重点实验室，南宁530006）

（∗通信作者电子邮qq.com）

摘要：联邦学习作为一个分布式机器学习框架，解决了数据孤岛问题，对个人及企业的隐私保护起到了重要作

用。然而，由于联邦学习的特点，效率问题（尤其是高昂的成本）仍旧是目前急需解决的，这一现状仍不尽如人意。因

此，全面调研并总结当前主流的关于联邦学习高效性的研究。首先，回顾高效联邦学习的背景，包括它的由来以及核

心思想，并解释联邦学习的概念和分类；其次，论述基于联邦学习而产生的高效性问题，并将它们分为异构性问题、个

性化问题和通信代价问题；再次，在此基础上详细分析并论述高效性问题的解决方案，并将高效联邦学习研究分为模

型压缩优化方法以及通信优化方法这2个类别后进行调研；继次，通过对比分析，总结各联邦学习方法的优缺点，并阐

述目前高效联邦学习中仍存在的挑战；最后，给出高效联邦学习领域未来的研究方向。

关键词：联邦学习；深度学习；通信效率；隐私保护；机器学习

中图分类号：TP303；TP18文献标志码：A

Reviewofresearchonefficiencyoffederatedlearning

GELina1，2，3*，WANGMingyu1，3，TIANLei1，3

（1.SchoolofArtificialIntelligence，GuangxiMinzuUniversity，NanningGuangxi530006，China；

2.GuangxiKeyLaboratoryofHybridComputationandICDesignAnalysis（GuangxiMinzuUniversity），NanningGuangxi530006，China；

3.KeyLaboratoryofNetworkCommunicationEngineering，GuangxiMinzuUniversity，NanningGuangxi530006，China）

Abstract:Federatedlearningisadistributedmachinelearningframeworkthateffectivelyaddressesthedatasilo

pr