控制与决策

作者：张心雨,史培中,古春生,张言,景征骏

单位：江苏理工学院 机械工程学院，江苏 常州 213000,,江苏理工学院 计算机工程学院，江苏 常州 213000,,江苏理工学院 计算机工程学院，江苏 常州 213000,,江苏理工学院 计算机工程学院，江苏 常州 213000,,江苏理工学院 计算机工程学院，江苏 常州 213000,

关键词：工业物联网;个性化联邦学习;相似度聚类;余弦相似度;正则化;非独立同分布

基金：国家自然科学基金项目(61602216, 61672270)；江苏省研究生科研与实践创新计划项目(SJCX24_1774)；江苏高校“青蓝工程”培养对象项目(KYQ22003)；江苏省高等学校自然科学研究面上项目(24KJB520007).

在工业物联网数据异质性场景中, 现有的联邦学习方案存在通信不稳定以及无关模型聚合导致的负面影响问题. 鉴于此, 提出面向工业物联网的个性化联邦学习“云-边-端”分层架构(FEDI), 并设计基于相似度聚类的个性化联邦学习(PFedSA)算法. 在模型更新机制上, 该算法利用余弦相似度维护关系矩阵, 自适应选取具有高相似参数的个性化云模型进行下载; 在模型聚合策略上, 动态计算权重并引入正则化, 以此聚合更新局部模型. 在MNIST、FMNIST和CIFAR10三个数据集上, 与FedAvg等8种算法进行对比实验和分析, 实验结果表明: 1)准确率方面, PFedSA算法在病态Non-IID等3种经典场景下精度最优(最高可达99.78%)或接近最高精度; 2)通信效率方面, PFedSA算法借助相似度聚类机制加快模型收敛至目标精度, 单轮计算时间较FedRep减少; 3)超参数影响方面, PFedSA算法对于设备掉线率的鲁棒性更好, 对于数据异质性的适应性更强, 能够有效提升模型个性化性能.

来源：2026年第4期

《控制与决策》期刊编辑部

查看控制与决策杂志2026年第4期