近日，科研团队邓武教授、陈信涛等研究成果在在物联网领域顶级期刊《IEEE Internet of Things Journal》上发表学术论《Adaptive Federated Learning with Negative Inner Product Aggregation》，提出了基于负内积聚合的自适应联邦学习。

        联邦学习（FL）是一种分布式机器学习方法，其由中央服务器进行模型训练，并与边缘设备上的数据隔离。FL具备保护数据隐私和提高模型精度的优势，但在处理非独立同分布（non-IID）数据时，其性能会受到显著影响。为了解决系统异构问题并减少通信轮数，提出了一种自适应预测设备工作负载的方法，名为Adaptive Federated Learning with Negative Inner Product Aggregation（NIPAFed）。NIPAFed利用类似TCP拥塞控制算法的加增乘减策略，根据设备的历史工作负载进行自适应预测，从而有效减少stragglers的影响。为了降低通信开销和延迟，采用负内积聚合策略，提高模型的收敛速度并减少通信轮数。在MNIST、Fashion MNIST、FEMNIST和Synthesis_1_1四个数据集上进行了NIPAFed的测试，并与FedAvg以及FedSAE-Ira进行了对比。实验结果表明，NIPAFed在性能方面明显优于这两种方法。平均掉队率分别降低了93%和42%，平均通信轮数减少了49%和42%。此外，NIPAFed还展现出比FedAvg和FedSAE-Ira更高的最大精度，具备更好的收敛性和稳定性

       该成果得到国家自然科学基金、学校科研启动基金等项目的资助。《IEEE Internet of Things Journal》属于《计算机科学高质量期刊分级目录》T1级别，影响因子为10.6。

        https://ieeexplore.ieee.org/document/10239295