（研究动机探究）

随着移动计算和物联网技术的发展，广泛部署的传感器加速了工业的数字化和智能化，然而隐私担忧和通信带宽限制导致大量数据累积在网络边缘。联邦学习作为一种新型分布式计算框架可以有效缓解这些问题。在真实场景中部署联邦学习框架至少面临着统计学异构性、边缘设备资源受限以及边缘设备对于性能公平性的需求等问题。

（FedASA的联邦学习框架）

（基于Cell的边缘设备模型架构）

（FedASA的性能对比）

（FedASA的性能展示）

针对上述问题，团队提出了一种面向异构物联网的自适应本地个性化模型构建联邦学习方案（FedASA），为每个设计了基于Cell的模型架构，设计Cell-wised对齐方法自适应的构建本地个性化模型，设计Cell-based聚合方法自适应的聚合异构的上传模型架构。团队对联邦误差上界和公平性进行了理论分析，为模型收敛提供了理论保证，并在真实数据集上进行了广泛实验。研究结果进一步推进了联邦学习在移动边缘计算领域的实际应用，为资源受限的异构物联网环境下跨设备数据协同学习提供新的思路和方法。

论文链接:https://ieeexplore.ieee.org/document/10640247

（撰稿：赵伟 审核：骆国润 黄俊 韩军书）