近日，我校计算机科学与技术学院网络与服务计算团队联合北京交通大学和新加坡南洋理工大学，在智能物联网与个性化联邦学习领域取得重要研究进展。相关成果发表在中国计算机学会（CCF）认定的A类期刊《IEEE Transactions on Mobile Computing》（IF：9.2，Top期刊）和中科院一区期刊《IEEE Transactions on Industrial Informatics》（IF：11.7，Top期刊）。我校为论文第一完成单位，计算机科学与技术学院博士研究生张卫东为第一作者，吴宣够教授为通讯作者。

联邦学习作为一种新型分布式机器学习范式，允许多个客户端在不共享原始数据的情况下协同训练模型。然而，在工业物联网和边缘计算场景中，数据异构性、特征漂移和灾难性遗忘等问题严重影响模型的鲁棒性和泛化能力。

（FedSSM算法框架与时序建模流程）

（FedSSM与最新方法在模型精度上的对比）

针对边缘设备个性化联邦学习中的双向灾难性遗忘问题，团队在《IEEE Transactions on Mobile Computing》上提出了一种面向复杂时序建模的联邦学习新方法（FedSSM）。该方法从状态空间建模的角度出发，有效提升了联邦环境下对长时序依赖关系的刻画能力，在保证数据隐私的同时显著增强了模型在非独立同分布（Non-IID）场景下的稳定性与泛化性能。在多个公开数据集上的实验结果表明，该方法在多种时序预测与移动计算任务中均优于现有主流联邦学习算法，展现出良好的鲁棒性与实用价值。

（FedCLAM算法框架）

（FedCLAM在不同废钢检测数据集上的测试精度与误差范围比较）

针对工业场景中的数据和特征异构性问题，团队在《IEEE Transactions on Industrial Informatics》上发表的研究工作FedCLAM聚焦于智能物联网场景下的异构数据建模与高效协同学习问题。研究针对工业物联网中设备类型多样、数据分布差异显著的特点，提出了一种新型联邦学习框架，通过精细化建模客户端差异与优化全局—本地协同机制，有效提升了系统整体学习性能和公平性。在开源废钢检查数据集以及自采废钢识别数据集上的实验结果表明，该方法在多个工业智能应用场景中均取得了显著性能提升，为联邦学习在工业级物联网系统中的落地应用提供了有力支撑。

上述研究成果深化了对联邦学习在异构环境下理论与方法的理解，为隐私保护条件下的智能物联网应用提供了切实可行的技术路径，对推动新一代分布式智能系统的发展具有重要意义。

论文链接：https://ieeexplore.ieee.org/document/11195747

https://doi.org/10.1109/TII.2025.3650073

（撰稿： 张卫东 审核：黄俊 郑近德 张苒 黄敏）