控制与决策

作者：陈思光,潘沭伽

单位：河海大学 计算机与软件学院，南京 211100;南京大学 计算机软件新技术全国重点实验室，南京 210023,,南京邮电大学 物联网学院，南京 210003,

关键词：联邦学习;去中心化系统;半监督学习;零知识证明;隐私计算;分布式协作

基金：中央高校基本科研业务费专项资金项目(B250201047)；江苏省“333高层次人才培养工程”项目；南京大学计算机软件新技术全国重点实验室开放课题(KFKT2025B03).

为了在去中心化联邦学习场景中实现隐私保护与半监督训练的高效协同, 提出一种面向去中心化的零知识联邦半监督学习算法. 具体地, 首先设计一种反映本地数据特征的零知识特征码, 通过融合Pedersen承诺与Schnorr证明, 该特征码在实现客户端特征共享的同时, 可保障本地数据不可恢复性与交换过程的合法性验证. 其次, 设计一种高效的去中心化零知识标签传播方法, 利用特征码之间的相似度引导伪标签生成, 在保护隐私的前提下实现高效的标签信息传播, 并通过复杂度分析验证其计算开销显著低于同态加密方案. 最后, 通过在多个数据集上的实验表明, 所提出的算法在不同数据分布与无标签数据配置下均优于现有基准方法, 在准确率和鲁棒性方面具有显著提升; 同时, 通过可变聚类核心数量和网络拓扑结构的实验分析, 进一步验证聚类核心数量对性能的影响, 以及算法在不同去中心化设置中的稳健性和实用性.

来源：2026年第5期

《控制与决策》期刊编辑部

查看控制与决策杂志2026年第5期