计算机科学与探索

作者：陈丽芳, 许恺龙, 赵人喆, 韩阳, 代琪

单位：1. 华北理工大学 理学院，河北 唐山 0632102. 河北省数据科学与应用重点实验室，河北 唐山 063210

关键词：去中心化联邦学习,通信机制,隐私保护,模型聚合策略,应用场景

基金：国家自然科学基金（52074126）。

随着大规模异构数据的快速增长，集中式联邦学习面临数据处理和隐私保护的挑战。去中心化联邦学习通过消除对中心服务器的依赖，增强了系统容错性和适应性，同时分散通信负载，显著提升了隐私保护水平。系统性地阐述了集中式联邦学习与去中心化联邦学习的基本原理，并通过多维度对比分析体现两者差异。在此基础上，深入探讨了去中心化联邦学习在通信优化、隐私保护机制、模型聚合策略等方面的技术优势与创新方法。全面分析了去中心化联邦学习在医疗健康、智能制造、智慧城市等领域的应用前景与发展趋势。通过对比常见去中心化联邦学习框架在常用数据集上的性能，展示了不同框架的优势，并总结了当前主流的开源框架，对未来研究可能面临的技术挑战和发展机遇进行了展望。

来源：2025年第10期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第10期