南京邮电大学学报(自然科学版)

作者：陆浩天,董育宁,卢官明

单位：南京邮电大学 通信与信息工程学院，江苏 南京 210003

关键词：联邦学习；非独立同分布；联邦半监督学习；联邦开放集识别

基金：国家自然科学基金（61271233）和江苏省研究生科研创新计划（KYCX23_1031）资助项目

随着数据隐私保护意识的日益提升和实际应用环境的动态变迁，联邦学习作为一种隐私保护型的机器学习技术备受瞩目。然而，现实世界的应用场景往往是开放且动态的，使得开放世界下的联邦学习成为当前研究的热点之一。全面梳理了当前开放环境下联邦学习所面临的问题，对现有方法进行了系统的分类综述，并探讨了其在网络流分类领域的潜在应用。首先，针对非独立同分布数据问题，不仅回顾了传统场景下的解决方案，还引入了动态联邦学习场景；其次，鉴于数据标签稀缺的问题，归纳了联邦半监督学习的相关算法；最后，探讨了联邦环境下的未知类处理方法，并展望了未来的研究方向和网络流分类中的应用前景。

来源：2025年第03期

《南京邮电大学学报(自然科学版)》期刊编辑部

查看南京邮电大学学报(自然科学版)杂志2025年第03期