南京邮电大学学报(自然科学版)

作者：孙洪波,王国成,张林,王晔,郭永安

单位：1. 南京邮电大学 智能信息处理与通信技术省高校重点实验室，江苏 南京 2100032. 边缘智能研究院南京有限公司，江苏 南京 210003南京邮电大学 智能信息处理与通信技术省高校重点实验室，江苏 南京 210003南京邮电大学 智能信息处理与通信技术省高校重点实验室，江苏 南京 210003江苏移动信息系统集成有限公司，江苏 南京 210029南京邮电大学 智能信息处理与通信技术省高校重点实验室，江苏 南京 210003

关键词：联邦学习;深度强化学习;客户端选择;自适应选择

基金：江苏省前沿引领技术基础研究专项（BK20202001）和江苏省创新支撑计划政府间双边创新合作项目（BZ2023018）资助项目

联邦学习作为解决数据隔离问题的新兴范式，能够在不需要客户端上传原始数据的情况下训练全局模型，有效保护用户隐私。由于客户端数量众多但通信资源有限，只能选择部分客户端参与模型聚合。然而联邦学习系统存在设备异构和数据异质等挑战，简单的客户端选择策略无法考虑环境的动态特性，会拖慢模型的收敛速度，降低模型性能。考虑到客户端状态的时变，提出了全新的客户端可用性评估指标，建立了多重约束下的联邦学习客户端选择模型，建模为损失最小化问题；将优化问题转化为马尔可夫决策过程，提出了一种基于深度强化学习的联邦学习客户端自适应选择（Adaptive Selection for Clients in Federated Learning based on Deep Reinforcement Learning，ASC-DRL）算法，综合考虑通信延迟、资源消耗及客户端可用性，通过代理服务器与环境之间的持续交互最大化奖励函数，得到最优客户端选择方案。实验结果表明，提出的ASC-DRL算法相比于传统联邦学习算法，在模型精度和训练损失方面有着最高89.2%和99.8%的效果提升，能够有效适应动态环境变化，提升联邦学习整体性能和稳定性。

来源：2026年第02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2026年第02期