联邦学习中基于条件生成对抗网络的数据增强方案

doi:10.11772/j.issn.1001-9081.2024121817

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (1): 21-32.DOI: 10.11772/j.issn.1001-9081.2024121817

联邦学习中基于条件生成对抗网络的数据增强方案

菅银龙¹^,²^,³, 陈学斌¹^,²^,³(), 景忠瑞¹^,²^,³, 钟琪¹^,²^,³, 张镇博¹^,²^,³

^1.华北理工大学理学院，河北唐山 063210
^2.河北省数据科学与应用重点实验室（华北理工大学），河北唐山 063210
^3.唐山市数据科学重点实验室（华北理工大学），河北唐山 063210

收稿日期:2024-12-27 修回日期:2025-03-04 接受日期:2025-03-10 发布日期:2026-01-10 出版日期:2026-01-10
通讯作者: 陈学斌
作者简介:菅银龙（2001—），男，河南商丘人，硕士研究生，CCF会员，主要研究方向：数据安全、隐私保护
景忠瑞（2000—），男，山西临汾人，硕士研究生，CCF会员，主要研究方向：数据安全、隐私保护
钟琪（1999—），女，河北张家口人，硕士研究生，CCF会员，主要研究方向：数据安全、隐私保护
张镇博（1999—），男，山东济南人，硕士研究生，CCF会员，主要研究方向：数据安全、隐私保护。
基金资助:
国家自然科学基金资助项目(U20A20179)

Data augmentation scheme based on conditional generative adversarial network in federated learning

Yinlong JIAN¹^,²^,³, Xuebin CHEN¹^,²^,³(), Zhongrui JING¹^,²^,³, Qi ZHONG¹^,²^,³, Zhenbo ZHANG¹^,²^,³

^1.College of Science，North China University of Science and Technology，Tangshan Hebei 063210，China
^2.Hebei Provincial Key Laboratory of Data Science and Application （North China University of Science and Technology），Tangshan Hebei 063210，China
^3.Tangshan Key Laboratory of Data Science （North China University of Science and Technology），Tangshan Hebei 063210，China

Received:2024-12-27 Revised:2025-03-04 Accepted:2025-03-10 Online:2026-01-10 Published:2026-01-10
Contact: Xuebin CHEN
About author:JIAN Yinlong， born in 2001， M. S. candidate. His research interests include data security， privacy protection.
JING Zhongrui， born in 2000， M. S. candidate. His research interests include data security， privacy protection.
ZHONG Qi， born in 1999， M. S. candidate. Her research interests include data security， privacy protection.
ZHANG Zhenbo， born in 1999， M. S. candidate. His research interests include data security， privacy protection.
Supported by:
National Natural Science Foundation of China(U20A20179)

摘要/Abstract

摘要：

针对非独立同分布（Non-IID）场景下，联邦学习系统面临收敛缓慢和模型准确率降低等挑战，提出联邦学习中基于条件生成对抗网络的数据增强方案（FDA-GAN）。首先，设计一种类别选择的条件生成器为每个类别添加独立的网络模块，并将标签作为条件信息，以更精确地提取各类别的特定特征；其次，提出一种覆盖类别的客户端选择策略来基于客户端的综合奖励，选择包含尽可能多类别的客户端集合参与训练，确保生成对抗网络（GAN）能学习到完整的类别分布；最后，利用生成样本扩充客户端的本地数据集，以优化本地数据的特征构成，减小客户端之间的偏差。实验结果表明，FDA-GAN在狄利克雷数据划分下，相较于CAP-GAN （Collaborated gAme Parallel learning based on GAN）的MNIST Score （MNIST inception Score）和Mode Score指标上分别提升了2.67和1.08，在FID （Fréchet Inception Distance）和MMD （Maximum Mean Discrepancy）指标上分别降低了55.12和2.56；在不同的Non-IID场景下， FedAvg （Federated Averaging）和FedProx （Federated Proximal）算法在结合FDA-GAN后，在50轮通信轮次内达到收敛，并且准确率提升了至少30.36个百分点。可见， FDA-GAN可以提高生成样本的质量与多样性，而且与基线算法结合后可以大幅提高联邦模型的准确率和收敛速度。

关键词: 生成对抗网络, 联邦学习, 非独立同分布, 客户端选择, 数据增强

Abstract:

To address the challenges of slow convergence and low model accuracy in non-independent and identically distributed （Non-IID） scenarios， this paper proposed a Data Augmentation scheme based on conditional Generative Adversarial Network in Federated learning （FDA-GAN）. First， a conditional generator for class selection was designed， adding an independent network module to each class and using the label as conditional information to more accurately extract specific features for each class. Second， a client selection strategy covering all classes was proposed. Based on the comprehensive reward of the clients， a client set containing as many classes as possible was selected for training， ensuring that the Generative Adversarial Network （GAN） could learn the complete class distribution. Finally， generated samples were used to augment the local datasets of the clients， optimizing the feature composition of the local data and reducing bias between clients. Experimental results show that under DIRichlet distributed （DIR） data partitioning， compared to CAP-GAN （Collaborated gAme Parallel learning based on GAN）， FDA-GAN improves the MNIST Score （MNIST inception Score） and Mode Score by 2.67 and 1.08 respectively， and reduces the FID （Fréchet Inception Distance） and MMD （Maximum Mean Discrepancy） scores by 55.12 and 2.56 respectively； in different Non-IID scenarios， the FedAvg （Federated Averaging） and FedProx （Federated Proximal） algorithms， when combined with FDA-GAN， converge within 50 communication rounds， with accuracy improvements of at least 30.36 percentage points. This demonstrates that FDA-GAN can improve the quality and diversity of generated samples， and when combined with baseline algorithms， it can significantly improve the accuracy and convergence speed of the federated model.

Key words: Generative Adversarial Network (GAN), federated learning, Non-Independent and Identically Distributed (Non-IID), client selection, data augmentation

中图分类号:

TP309.2

菅银龙, 陈学斌, 景忠瑞, 钟琪, 张镇博. 联邦学习中基于条件生成对抗网络的数据增强方案[J]. 计算机应用, 2026, 46(1): 21-32.

Yinlong JIAN, Xuebin CHEN, Zhongrui JING, Qi ZHONG, Zhenbo ZHANG. Data augmentation scheme based on conditional generative adversarial network in federated learning[J]. Journal of Computer Applications, 2026, 46(1): 21-32.

图/表 14

图1 FDA-GAN的整体框架

Fig. 1 Overall framework of FDA-GAN

图2 类别选择的条件生成器的结构

Fig. 2 Structure of conditional generator for class selection

表1 实验参数设置

Tab. 1 Experimental parameter setting

训练阶段	参数	值
GAN模型训练	GAN训练轮数	100
	训练批次大小	64
	生成器输入噪声维度	100
	优化算法	Adam
	优化器的学习率	0.000 2
	优化器的超参数	0.5，0.999
	客户端数	20
	客户端参与比例	0.5
联邦模型训练	全局训练轮数	200
	本地训练轮数	1
	客户端数	20
	客户端参与比例	0.5
	训练批次大小	10
	优化算法	SGD
	优化器的学习率	0.01

图3 不同方案在3种场景下的生成结果

Fig. 3 Generation results of different schemes in three scenarios

表2 MNIST数据集上的FID与MNIST Score指标对比结果

Tab. 2 Comparison results of FID and MNIST Score metrics on MNIST dataset

方案	IID		DIR		Fully Non-IID
方案	$V F I D$	$V M N I S T S c o r e$	$V F I D$	$V M N I S T S c o r e$	$V F I D$	$V M N I S T S c o r e$
FL-GAN	123.25	5.15	174.75	3.95	211.80	3.15
MD-GAN	109.39	6.20	119.51	5.07	149.34	4.12
CAP-GAN	91.97	7.06	97.10	6.73	52.01	9.30
FDA-GAN	75.31	8.99	41.98	9.40	34.61	9.72

表2 MNIST数据集上的FID与MNIST Score指标对比结果

Tab. 2 Comparison results of FID and MNIST Score metrics on MNIST dataset

方案	IID		DIR		Fully Non-IID
方案	$V F I D$	$V M N I S T S c o r e$	$V F I D$	$V M N I S T S c o r e$	$V F I D$	$V M N I S T S c o r e$
FL-GAN	123.25	5.15	174.75	3.95	211.80	3.15
MD-GAN	109.39	6.20	119.51	5.07	149.34	4.12
CAP-GAN	91.97	7.06	97.10	6.73	52.01	9.30
FDA-GAN	75.31	8.99	41.98	9.40	34.61	9.72

表3 FashionMNIST数据集上的Mode Score与MMD指标对比结果

Tab. 3 Comparison results of Mode Score and MMD metrics on FashionMNIST dataset

方案	IID		DIR		Fully Non-IID
方案	$V M o d e S c o r e$	$V M M D$ （100 $×$ ）	$V M o d e S c o r e$	$V M M D$ （100 $×$ ）	$V M o d e S c o r e$	$V M M D$ （100 $×$ ）
FL-GAN	5.10	5.95	4.97	24.68	4.14	34.17
MD-GAN	7.31	5.24	5.73	13.80	5.77	16.48
CAP-GAN	7.50	1.75	7.18	3.52	8.61	0.87
FDA-GAN	8.37	0.29	8.26	0.96	8.56	0.42

表3 FashionMNIST数据集上的Mode Score与MMD指标对比结果

Tab. 3 Comparison results of Mode Score and MMD metrics on FashionMNIST dataset

方案	IID		DIR		Fully Non-IID
方案	$V M o d e S c o r e$	$V M M D$ （100 $×$ ）	$V M o d e S c o r e$	$V M M D$ （100 $×$ ）	$V M o d e S c o r e$	$V M M D$ （100 $×$ ）
FL-GAN	5.10	5.95	4.97	24.68	4.14	34.17
MD-GAN	7.31	5.24	5.73	13.80	5.77	16.48
CAP-GAN	7.50	1.75	7.18	3.52	8.61	0.87
FDA-GAN	8.37	0.29	8.26	0.96	8.56	0.42

图4 不同方案在3种场景下的FID指标（MNIST数据集）

Fig. 4 FID metrics of different schemes in three scenarios （MNIST dataset）

图5 不同方案在3种场景下的Mode Score指标（FashionMNIST数据集）

Fig. 5 Mode Score metrics of different schemes in three scenarios （FashionMNIST dataset）

图6 不同算法的通信轮次与模型准确率关系曲线

Fig. 6 Relationship between communication rounds and model accuracies for different algorithms

表4 不同算法的模型准确率对比 ( %)

Tab. 4 Comparison of model accuracy among different algorithms

算法	MNIST		FashionMNIST
算法	DIR场景	Fully Non-IID场景	DIR场景	Fully Non-IID场景
FDA-GAN+FedAvg	96.23	93.36	82.87	78.51
FDA-GAN+FedProx	95.76	94.09	83.96	78.92
FedAvg	65.54	50.90	50.71	31.86
FedProx	65.40	51.49	50.57	34.50

表5 固定客户端参与数为10的指标对比

Tab. 5 Comparison of metrics when the number of participating clients is fixed to 10

方案	$V F I D$	$V M N I S T S c o r e$
FL-GAN	171.45	4.21
MD-GAN	116.72	5.42
CAP-GAN	95.83	6.86
FDA-GAN	38.74	9.60

表5 固定客户端参与数为10的指标对比

Tab. 5 Comparison of metrics when the number of participating clients is fixed to 10

方案	$V F I D$	$V M N I S T S c o r e$
FL-GAN	171.45	4.21
MD-GAN	116.72	5.42
CAP-GAN	95.83	6.86
FDA-GAN	38.74	9.60

表6 不同客户端参与比例下的FID与MNIST Score指标对比（DIR）

Tab. 6 Comparison of FID and MNIST Score metrics under different client participation ratios （DIR）

方案	参与比例为0.10		参与比例为0.25		参与比例为0.50		参与比例为0.75
方案	$V F I D$	$V M N I S T S c o r e$	$V F I D$	$V M N I S T S c o r e$	$V F I D$	$V M N I S T S c o r e$	$V F I D$	$V M N I S T S c o r e$
FL-GAN	193.97	3.14	194.75	3.55	174.75	3.95	177.32	4.02
MD-GAN	147.67	3.68	140.17	4.27	119.51	5.07	116.95	5.50
CAP-GAN	114.53	5.81	105.79	6.28	97.10	6.73	96.90	6.65
FDA-GAN	43.01	9.35	42.25	9.44	41.98	9.40	38.63	9.66

表6 不同客户端参与比例下的FID与MNIST Score指标对比（DIR）

Tab. 6 Comparison of FID and MNIST Score metrics under different client participation ratios （DIR）

方案	参与比例为0.10		参与比例为0.25		参与比例为0.50		参与比例为0.75
方案	$V F I D$	$V M N I S T S c o r e$	$V F I D$	$V M N I S T S c o r e$	$V F I D$	$V M N I S T S c o r e$	$V F I D$	$V M N I S T S c o r e$
FL-GAN	193.97	3.14	194.75	3.55	174.75	3.95	177.32	4.02
MD-GAN	147.67	3.68	140.17	4.27	119.51	5.07	116.95	5.50
CAP-GAN	114.53	5.81	105.79	6.28	97.10	6.73	96.90	6.65
FDA-GAN	43.01	9.35	42.25	9.44	41.98	9.40	38.63	9.66

表7 不同客户端数的Mode Score与MMD指标对比（Fully Non-IID）

Tab. 7 Comparison of Mode Score and MMD metrics with different numbers of clients （Fully Non-IID）

方案	客户端数为10		客户端数为30		客户端数为40		客户端数为50
方案	$V M o d e S c o r e$	$V M M D$ （100 $×$ ）	$V M o d e S c o r e$	$V M M D$ （100 $×$ ）	$V M o d e S c o r e$	$V M M D$ （100 $×$ ）	$V M o d e S c o r e$	$V M M D$ （100 $×$ ）
FL-GAN	3.81	47.60	4.61	31.19	4.87	27.39	4.90	24.16
MD-GAN	4.76	20.60	5.84	17.33	6.33	14.90	6.43	13.72
CAP-GAN	8.29	0.99	8.66	0.85	8.71	0.85	8.72	0.82
FDA-GAN	8.47	0.51	8.63	0.41	8.69	0.41	8.77	0.40

表7 不同客户端数的Mode Score与MMD指标对比（Fully Non-IID）

Tab. 7 Comparison of Mode Score and MMD metrics with different numbers of clients （Fully Non-IID）

方案	客户端数为10		客户端数为30		客户端数为40		客户端数为50
方案	$V M o d e S c o r e$	$V M M D$ （100 $×$ ）	$V M o d e S c o r e$	$V M M D$ （100 $×$ ）	$V M o d e S c o r e$	$V M M D$ （100 $×$ ）	$V M o d e S c o r e$	$V M M D$ （100 $×$ ）
FL-GAN	3.81	47.60	4.61	31.19	4.87	27.39	4.90	24.16
MD-GAN	4.76	20.60	5.84	17.33	6.33	14.90	6.43	13.72
CAP-GAN	8.29	0.99	8.66	0.85	8.71	0.85	8.72	0.82
FDA-GAN	8.47	0.51	8.63	0.41	8.69	0.41	8.77	0.40

图7 4种消融实验情况下的FID与MNIST Score指标

Fig. 7 FID and MNIST Score metrics in four ablation experimental scenarios

参考文献 36

[1]	SATTLER F， MÜLLER K R， SAMEK W. Clustered federated learning： model-agnostic distributed multitask optimization under privacy constraints ［J］. IEEE Transactions on Neural Networks and Learning Systems， 2021， 32（8）： 3710-3722.
[2]	LV Y， DING H， WU H， et al. FedRDS： federated learning on non-IID data via regularization and data sharing ［J］. Applied Sciences， 2023， 13（23）： No.12962.
[3]	LI Q， HE B， SONG D. Model-contrastive federated learning ［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 10708-10717.
[4]	宋华伟，李升起，万方杰，等.非独立同分布场景下的联邦学习优化方法［J］.计算机工程， 2024， 50（3）： 166-172.
	SONG H W， LI S Q， WAN F J， et al. Federated learning optimization method in non-IID scenarios ［J］. Computer Engineering， 2024， 50（3）： 166-172.
[5]	ZHANG J， LI A， TANG M， et al. Fed-CBS： a heterogeneity-aware client sampling mechanism for federated learning via class-imbalance reduction ［C］// Proceedings of the 2023 International Conference on Machine Learning. New York： JMLR.org， 2023： 41354-41381.
[6]	JEONG E， OH S， KIM H， et al. Communication-efficient on-device machine learning： federated distillation and augmentation under non-IID private data ［EB/OL］. ［2024-01-19］. .
[7]	汤凌韬，王迪，刘盛云.面向非独立同分布数据的联邦学习数据增强方案［J］.通信学报， 2023， 44（1）： 164-176.
	TANG L T， WANG D， LIU S Y. Data augmentation scheme for federated learning with non-IID data ［J］. Journal on Communications， 2023， 44（1）： 164-176.
[8]	ZHAO Y， LI M， LAI L， et al. Federated learning with non-IID data ［EB/OL］. ［2024-04-08］. .
[9]	HEUSEL M， RAMSAUER H， UNTERTHINER T， et al. GANs trained by a two time-scale update rule converge to a local Nash equilibrium ［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2017： 6629-6640.
[10]	SATTLER F， WIEDEMANN S， MÜLLER K R， et al. Robust and communication-efficient federated learning from non-i.i.d data ［J］. IEEE Transactions on Neural Networks and Learning Systems， 2020， 31（9）： 3400-3413.
[11]	LI T， SAHU A K， TALWALKAR A， et al. Federated learning： challenges， methods， and future directions ［J］. IEEE Signal Processing Magazine， 2020， 37（3）： 50-60.
[12]	McMAHAN H B， MOORE E， RAMAGE D， et al. Communication-efficient learning of deep networks from decentralized data ［C］// Proceedings of the 20th International Conference on Artificial Intelligence and Statistics. New York： JMLR.org， 2017： 1273-1282.
[13]	LI T， SAHU A K， ZAHEER M， et al. Federated optimization in heterogeneous networks ［EB/OL］. ［2024-10-16］. .
[14]	ARIVAZHAGAN M G， AGGARWAL V， SINGH A K， et al. Federated learning with personalization layers ［EB/OL］. ［2024-10-16］. .
[15]	MU X， SHEN Y， CHENG K， et al. FedProc： prototypical contrastive federated learning on non-IID data ［J］. Future Generation Computer Systems， 2023， 143： 93-104.
[16]	TAN Y， LONG G， LIU L， et al. FedProto： federated prototype learning across heterogeneous clients ［C］// Proceedings of the 36th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2022： 8432-8440.
[17]	ZHU H， XU J， LIU S， et al. Federated learning on non-IID data： a survey ［J］. Neurocomputing， 2021， 465： 371-390.
[18]	ZHANG W， WANG X， ZHOU P， et al. Client selection for federated learning with non-IID data in mobile edge computing ［J］. IEEE Access， 2021， 9： 24462-24474.
[19]	张祖篡，陈学斌，高瑞，等.基于标签分类的联邦学习客户端选择方法［J］.计算机应用， 2024， 44（12）： 3759-3765.
	ZHANG Z C， CHEN X B， GAO R， et al. Federated learning client selection method based on label classification ［J］. Journal of Computer Applications， 2024， 44（12）： 3759-3765.
[20]	ZHANG Y， XU C， YANG H H， et al. DPP-based client selection for federated learning with non-IID data ［C］// Proceedings of the 2023 IEEE International Conference on Acoustics， Speech and Signal Processing. Piscataway： IEEE， 2023： 1-5.
[21]	YOON T， SHIN S， HWANG S J， et al. FedMix： approximation of mixup under mean augmented federated learning ［EB/OL］. ［2024-10-16］. .
[22]	GOODFELLOW I， POUGET-ABADIE J， MIRZA M， et al. Generative adversarial nets ［C］// Proceedings of the 28th International Conference on Neural Information Processing Systems — Volume 2. Cambridge： MIT Press， 2014： 2672-2680.
[23]	MIRZA M， OSINDERO S. Conditional generative adversarial nets ［EB/OL］. ［2024-07-13］. .
[24]	LEE M B， KIM Y H， PARK K R. Conditional generative adversarial network-based data augmentation for enhancement of iris recognition accuracy ［J］. IEEE Access， 2019， 7： 122134-122152.
[25]	LI Z， SHAO J， MAO Y， et al. Federated learning with GAN-based data synthesis for non-iid clients ［C］// Proceedings of the 2022 International Workshop on Trustworthy Federated Learning， LNCS 13448. Cham： Springer， 2023： 17-32.
[26]	GOLHAR D， JOSHI N， JOSHI M V. Generative adversarial network： use of Non-IID samples ［EB/OL］. ［2024-07-22］. .
[27]	HARDY C， LE MERRER E， SERICOLA B. MD-GAN： multi-discriminator generative adversarial networks for distributed datasets ［C］// Proceedings of the 2019 IEEE International Parallel and Distributed Processing Symposium. Piscataway： IEEE， 2019： 866-877.
[28]	ZHANG J， ZHAO L， YU K， et al. A novel federated learning scheme for generative adversarial networks ［J］. IEEE Transactions on Mobile Computing， 2024， 23（5）： 3633-3649.
[29]	CHEN W， WANG Y， YUAN Y. Combinatorial multi-armed bandit： general framework and applications ［C］// Proceedings of the 30th International Conference on Machine Learning. New York： JMLR.org， 2013： 151-159.
[30]	AUER P， CESA-BIANCHI N， FISCHER P， et al. Finite-time analysis of the multiarmed bandit problem ［J］. Machine Learning， 2002， 47（2/3）： 235-256.
[31]	DENG L. The MNIST database of handwritten digit images for machine learning research ［best of the web］［J］. IEEE Signal Processing Magazine， 2012， 29（6）： 141-142.
[32]	XIAO H， RASUL K， VOLLGRAF R. Fashion-MNIST： a novel image dataset for benchmarking machine learning algorithms ［EB/OL］. ［2024-05-10］. .
[33]	MA Z， LIU Y， MIAO Y， et al. FlGAN： GAN-based unbiased federated learning under non-IID settings ［J］. IEEE Transactions on Knowledge and Data Engineering， 2023， 36（4）： 1566-1581.
[34]	SALIMANS T， GOODFELLOW I， ZAREMBA W， et al. Improved techniques for training GANs ［C］// Proceedings of the 30th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2016： 2234-2242.
[35]	CHE T， LI Y， JACOB A P， et al. Mode regularized generative adversarial networks ［EB/OL］. ［2024-11-21］. .
[36]	GRETTON A， BORGWARDT K M， RASCH M J， et al. A kernel two-sample test ［J］. Journal of Machine Learning Research， 2012， 13： 723-773.

联邦学习中基于条件生成对抗网络的数据增强方案

Data augmentation scheme based on conditional generative adversarial network in federated learning

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 36

相关文章 15

编辑推荐

Metrics

[1]	樊娜, 罗闯, 张泽晖, 张梦瑶, 穆鼎. 基于改进生成对抗网络的车辆轨迹语义隐私保护机制[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 169-180.
[2]	俞浩, 范菁, 孙伊航, 金亚东, 郗恩康, 董华. 边缘异构下的联邦分割学习优化方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 33-42.
[3]	王丽芳, 任文婧, 郭晓东, 张荣国, 胡立华. 用于低剂量CT图像降噪的多路特征生成对抗网络[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 270-279.
[4]	李世伟, 周昱峰, 孙鹏飞, 刘伟松, 孟竹喧, 廉浩杰. 基于煤尘对激光雷达电磁波散射和吸收效应的点云数据增强方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 331-340.
[5]	昝志辉, 王雅静, 李珂, 杨智翔, 杨光宇. 基于SAA-CNN-BiLSTM网络的多特征融合语音情感识别方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 69-76.
[6]	张珂嘉, 方志军, 周南润, 史志才. 基于模型预分配与自蒸馏的个性化联邦学习方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 10-20.
[7]	李玟, 李开荣, 杨凯. 基于数据增强的子图感知对比学习[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 1-9.
[8]	王闯, 俞璐, 陈健威, 潘成, 杜文博. 开集域适应综述[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2727-2736.
[9]	邓伊琳, 余发江. 基于LSTM和可分离自注意力机制的伪随机数生成器[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2893-2901.
[10]	梁一鸣, 范菁, 柴汶泽. 基于双向交叉注意力的多尺度特征融合情感分类[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2773-2782.
[11]	李莉, 宋涵, 刘培鹤, 陈汉林. 基于数据增强和残差网络的敏感信息命名实体识别[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2790-2797.
[12]	俞浩, 范菁, 孙伊航, 董华, 郗恩康. 联邦学习统计异质性综述[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2737-2746.
[13]	周金, 李玉芝, 张徐, 高硕, 张立, 盛家川. 复杂电磁环境下的调制识别网络[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2672-2682.
[14]	苏锦涛, 葛丽娜, 肖礼广, 邹经, 王哲. 联邦学习中针对后门攻击的检测与防御方案[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2399-2408.
[15]	葛丽娜, 王明禹, 田蕾. 联邦学习的高效性研究综述[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2387-2398.