原创力文档摘要
摘要
联邦学习作为一种分布式机器学习范式，能够在保护数据隐私的前提下实现
多方数据协同建模，但其性能在客户端数据异构的场景下显著下降。传统方法的随
机客户端选择难以有效捕捉全局数据分布特征，简单参数聚合策略导致权重分配
评估指标单一，导致高质量客户端无法充分发挥其价值，全局模型泛化能力差。本
文针对上述问题，提出两种系统性优化方案，分别从客户端选择与模型聚合两个关
键环节切入：
（1）为了解决随机选择客户端无
摘要
摘要
联邦学习作为一种分布式机器学习范式，能够在保护数据隐私的前提下实现
多方数据协同建模，但其性能在客户端数据异构的场景下显著下降。传统方法的随
机客户端选择难以有效捕捉全局数据分布特征，简单参数聚合策略导致权重分配
评估指标单一，导致高质量客户端无法充分发挥其价值，全局模型泛化能力差。本
文针对上述问题，提出两种系统性优化方案，分别从客户端选择与模型聚合两个关
键环节切入：
（1）为了解决随机选择客户端无
文档评论（0）