面向空天地一体化网络的个性化联邦学习智能边缘聚合方法

doi:10.11772/j.issn.1001-9081.2025070920

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (8): 2555-2566.DOI: 10.11772/j.issn.1001-9081.2025070920

面向空天地一体化网络的个性化联邦学习智能边缘聚合方法

金亚东¹^,²^,³, 范菁¹^,²^,³(), 郗恩康¹^,²^,³, 董华¹^,²^,³, 俞浩¹^,²^,³, 孙伊航¹^,²^,³

^1.云南民族大学电气信息工程学院，昆明 650504
^2.云南省无人自主系统重点实验室（云南民族大学），昆明 650504
^3.云南省高校信息与通信安全灾备重点实验室（云南民族大学），昆明 650504

收稿日期:2025-08-11 修回日期:2025-10-22 接受日期:2025-10-29 发布日期:2025-11-05 出版日期:2026-08-10
通讯作者: 范菁
作者简介:金亚东（1998—），男，云南曲靖人，硕士研究生，CCF会员，主要研究方向：联邦学习、空天地一体化网络
范菁（1976—），女，云南景洪人，教授，博士，CCF会员，主要研究方向：联邦学习、信息网络安全
郗恩康（2000—），男，山东枣庄人，硕士研究生，CCF会员，主要研究方向：联邦学习
董华（2001—），男，山西运城人，硕士研究生，CCF会员，主要研究方向：联邦学习
俞浩（2000—），男，湖北咸宁人，硕士研究生，CCF会员，主要研究方向：联邦学习
孙伊航（2001—），男，河南许昌人，硕士研究生，CCF会员，主要研究方向：联邦学习。
基金资助:
国家自然科学基金资助项目(12361104);教育部-新一代信息技术创新项目(2023IT077);云南省教育厅科学研究基金资助项目(2025Y0670);云南省教育厅科学研究基金资助项目(2023Y0499);CCF-深信服“远望”科研基金资助项目(20240210);云南省吴中海专家工作站项目(202305AF150045);云南民族大学2025年硕士研究生科研创新基金资助项目(2025SKY027)

Personalized federated learning intelligent edge aggregation method for space-air-ground integrated networks

Yadong JIN¹^,²^,³, Jing FAN¹^,²^,³(), Enkang XI¹^,²^,³, Hua DONG¹^,²^,³, Hao YU¹^,²^,³, Yihang SUN¹^,²^,³

^1.School of Electrical and Information Engineering，Yunnan Minzu University，Kunming Yunnan 650504，China
^2.Yunnan Key Laboratory of Unmanned Autonomous Systems （Yunnan Minzu University），Kunming Yunnan 650504，China
^3.Key Laboratory of Information and Communication Security and Disaster Recovery in Universities of Yunnan Province （Yunnan Minzu University），Kunming Yunnan 650504，China

Received:2025-08-11 Revised:2025-10-22 Accepted:2025-10-29 Online:2025-11-05 Published:2026-08-10
Contact: Jing FAN
About author:JIN Yadong， born in 1998， M. S. candidate. His research interests include federated learning， air-space-ground integrated network.
XI Enkang， born in 2000， M. S. candidate. His research interests include federated learning.
DONG Hua， born in 2001， M. S. candidate. His research interests include federated learning.
YU Hao， born in 2000， M. S. candidate. His research interests include federated learning.
SUN Yihang， born in 2001， M. S. candidate. His research interests include federated learning.
Supported by:
National Natural Science Foundation of China(12361104);Ministry of Education - New Generation Information Technology Innovation Project(2023IT077);Scientific Research Fund Project of Yunnan Provincial Department of Education(2025Y0670);CCF-SANGFOR “FarSight” Research Fund(20240210);Wu Zhonghai Expert Workstation Project of Yunnan Province(202305AF150045);2025 Postgraduate Research Innovation Fund of Yunnan Minzu University(2025SKY027)

摘要/Abstract

摘要：

空天地一体化网络（SAGIN）作为支撑全球数据传输的综合性网络发挥着关键作用，而它高度动态异构的网络特性导致节点各数据呈现统计异构性，具体表现为非独立同分布（Non-IID）特性。联邦学习（FL）作为分布式机器学习，利用分布式数据训练模型，而FL对SAGIN中的Non-IID数据进行模型训练时，会损害每个节点上全局模型的泛化。针对这个问题，提出个性化联邦学习智能边缘聚合（FedIEA）方法，通过个性化联邦学习（PFL）捕获节点模型的全局模型中的所需信息。FedIEA方法的核心是一个智能边缘聚合（IEA）模块，它可以智能地将下载的全局模型和边缘模型聚合至每个节点上的边缘目标，以在每次迭代中训练之前的初始化本地模型。为了评估FedIEA方法的有效性，在MNIST、FashionMNIST和CIFAR-10这3个数据集上进行对比实验，结果表明：与联邦平均（FedAvg）、FedProx（Federated Proximal）、通过对数几率校准的联邦学习（FedLC）等典型算法相比，FedIEA在迪利克雷（Dirichlet）不同异构设置下的测试准确率都高于FedAvg等基准算法，在FashionMNIST和CIFAR-10数据集上基于卷积神经网络（CNN）模型比FedAvg分别高出25.30和41.28个百分点；在3个数据集上与9个最先进的PFL算法相比，FedIEA基于CNN和深度神经网络（DNN）模型的测试准确率都具有显著的优势。

关键词: 空天地一体化网络, 联邦学习, 个性化联邦学习, 统计异构性, 边缘聚合, 随机梯度下降

Abstract:

Space-Air-Ground Integrated Network （SAGIN） serves as a comprehensive network supporting global data transmission and plays a key role. However， its highly dynamic and heterogeneous network characteristics lead to an issue that data at each node exhibits statistical heterogeneity， specifically manifests Non-Independent and Identically Distributed （Non-IID） characteristics. Federated Learning （FL）， as a distributed machine learning approach， uses distributed data for model training. When FL trains models on Non-IID data in SAGIN， the generalization performance of global model at each node is damaged. To address this issue， a Personalized FL-based Intelligent Edge Aggregation （FedIEA） method was proposed， which captured necessary information from global models of node models through Personalized Federated Learning （PFL）. The core of FedIEA method is an Intelligent Edge Aggregation （IEA） module， which was able to aggregate downloaded global model and the edge models into the edge-side targets at each node intelligently to train the initialized local models in each iteration. To evaluate the effectiveness of FedIEA method， comparative experiments were conducted on three datasets， namely MNIST， FashionMNIST and CIFAR-10， with typical algorithms such as Federated Averaging （FedAvg）， Federated Proximal （FedProx）， and Federated learning via Logits Calibration （FedLC）. The results show that the test accuracies of FedIEA under different Dirichlet heterogeneous settings are higher than those of benchmark algorithms like FedAvg； and based on Convolutional Neural Network （CNN） model， the test accuracies of FedIEA surpass FedAvg by 25.30 and 41.28 percentage points on FashionMNIST and CIFAR-10 datasets， respectively； on these three datasets， FedIEA method has significant advantages in the test accuracy based on CNN and Deep Neural Network （DNN） models over 9 state-of-the-art PFL algorithms.

Key words: Space-Air-Ground Integrated Network (SAGIN), Federated Learning (FL), Personalized Federated Learning (PFL), statistical heterogeneity, edge aggregation, Stochastic Gradient Descent (SGD)

中图分类号:

TP393

金亚东, 范菁, 郗恩康, 董华, 俞浩, 孙伊航. 面向空天地一体化网络的个性化联邦学习智能边缘聚合方法[J]. 计算机应用, 2026, 46(8): 2555-2566.

Yadong JIN, Jing FAN, Enkang XI, Hua DONG, Hao YU, Yihang SUN. Personalized federated learning intelligent edge aggregation method for space-air-ground integrated networks[J]. Journal of Computer Applications, 2026, 46(8): 2555-2566.

图/表 20

图1 在CIFAR-10数据集上各种标签倾斜设置下FedAvg的测试精度

Fig. 1 Test accuracies of FedAvg under various label skew settings on CIFAR-10 dataset

图2 4层SAGIN架构

Fig. 2 Four-layer SAGIN architecture

图3 智能边缘聚合过程

Fig. 3 Intelligent edge aggregation process

图4 3个数据集上IEA损失函数随权重学习轮次的变化

Fig. 4 Variation of IEA loss function with weight learning rounds on three datasets

表1 3个基准数据集

Tab. 1 Three benchmark datasets

数据集	分类	类别数	样本数	图像的尺寸
MNIST	图像	10	7 000	28×28
FashionMNIST	图像	10	7 000	28×28
CIFAR-10	图像	10	6 000	32×32

图5 CIFAR-10数据集上客户端基于数据样本的分布情况

Fig. 5 Distribution of clients based on data samples on CIFAR-10 dataset

表2 不同算力等级节点下的性能稳定性

Tab. 2 Performance stability under nodes of different computing power levels

算力等级	对应节点类型	本地训练轮次	本地批次大小
高算力	BS、LEO卫星	5	32
中算力	低空UAV	3	20
低算力	IoT	1	10

表3 SAGIN典型任务数据集

Tab. 3 SAGIN typical task datasets

任务类型	数据集名称	类别数	总样本数	数据维度
遥感图像解译	UC Merced Land Use	21	2 100	256×256×3
IoT状态检测	IoTID20	8	11 200	41（特征维度）
卫星通信流量异常检测	Satellite Traffic2024	5	8 000	16（时序维度）

表4 模拟参数

Tab. 4 Simulation parameters

带宽	参数/MHz	带宽	参数/MHz
BS-UAV带宽	20.0	UAV-LEO带宽	10.0
BS-LEO带宽	37.5	UAV-GEO带宽	5.0
BS-GEO带宽	25.0

图6 14种算法在不同模型和3个数据集下的收敛曲线

Fig. 6 Convergence curves of 14 algorithms with different models on three datasets

表5 不同算法在3个数据集上的测试准确率比较 (%)

Tab. 5 Comparison of test accuracies of different algorithms on three datasets

算法	MNIST		FashionMNIST		CIFAR-10
算法	CNN	DNN	CNN	DNN	CNN	DNN
FedAvg^［1］	87.21	67.81	71.10	66.61	45.03	32.02
FedProx^［13］	87.28	85.03	72.75	76.29	45.24	33.22
FedLC^［14］	87.19	83.80	72.77	74.30	45.07	31.94
FedNTD^［15］	81.10	98.89	70.05	75.78	41.68	37.28
FedPer^［16］	99.03	99.34	95.20	96.08	86.15	75.20
Ditto^［18］	99.52	99.89	96.21	96.93	86.28	75.21
FedFomo^［19］	99.54	99.89	96.18	96.93	86.07	75.03
FedAMP^［20］	99.57	99.87	96.20	96.93	86.30	75.23
APPLE^［21］	99.28	99.89	96.19	96.89	86.23	70.82
FedCP^［8］	99.45	99.82	96.03	96.72	86.16	74.68
GPFL^［22］	99.18	99.65	95.69	96.53	84.54	74.52
PFL-DA^［23］	99.62	99.82	95.45	96.94	86.29	75.20
FedAS^［24］	99.55	99.82	96.19	96.75	86.27	74.79
FedIEA	99.80	99.90	96.40	96.88	86.31	75.25

表6 超参数s不同取值对FedIEA算法测试准确率的影响 (%)

Tab. 6 Impact of different values of hyperparameter s on test accuracy of FedIEA algorithm

$s$	不同数据集上的测试准确率
$s$	MNIST	FashionMNIST	CIFAR-10
10	86.48	71.19	45.64
20	86.99	72.00	46.58
40	86.84	71.32	47.06
60	87.08	72.33	47.60
80	87.29	74.26	48.46
100	87.97	75.58	51.84

表6 超参数s不同取值对FedIEA算法测试准确率的影响 (%)

Tab. 6 Impact of different values of hyperparameter s on test accuracy of FedIEA algorithm

$s$	不同数据集上的测试准确率
$s$	MNIST	FashionMNIST	CIFAR-10
10	86.48	71.19	45.64
20	86.99	72.00	46.58
40	86.84	71.32	47.06
60	87.08	72.33	47.60
80	87.29	74.26	48.46
100	87.97	75.58	51.84

表7 超参数p不同取值对FedIEA算法测试准确率的影响

Tab. 7 Impact of different values of hyperparameter p on test accuracy of FedIEA algorithm

$p$	不同数据集上的测试准确率/%
$p$	MNIST	FashionMNIST	CIFAR-10
6	99.84	99.77	97.56
5	99.82	99.72	97.45
4	99.83	99.80	97.50
3	99.85	99.79	97.58
2	99.86	99.81	97.59
1	87.29	74.26	48.46

表7 超参数p不同取值对FedIEA算法测试准确率的影响

Tab. 7 Impact of different values of hyperparameter p on test accuracy of FedIEA algorithm

$p$	不同数据集上的测试准确率/%
$p$	MNIST	FashionMNIST	CIFAR-10
6	99.84	99.77	97.56
5	99.82	99.72	97.45
4	99.83	99.80	97.50
3	99.85	99.79	97.58
2	99.86	99.81	97.59
1	87.29	74.26	48.46

表8 3个数据集在不同β异构程度下14种算法的测试准确率 ( %)

Tab. 8 Test accuracies of 14 algorithms on three datasets under different heterogeneity levels

算法	MNIST				FashionMNIST				CIFAR-10
算法	β=0.2	β=0.4	β=0.6	β=0.8	β=0.2	β=0.4	β=0.6	β=0.8	β=0.2	β=0.4	β=0.6	β=0.8
FedAvg	87.21	89.95	90.34	91.82	71.10	75.67	77.82	79.32	45.03	47.10	49.08	50.97
FedProx	87.28	89.64	90.82	91.98	72.75	75.67	77.59	80.01	45.24	47.74	49.06	51.91
FedLC	87.19	90.03	90.52	91.73	72.77	75.58	76.31	80.13	45.07	47.14	50.32	52.00
FedNTD	81.10	81.02	83.39	86.21	70.05	79.80	82.97	85.82	41.68	42.15	43.78	45.38
FedPer	99.03	96.52	93.93	90.93	95.20	89.87	87.87	85.87	86.15	75.18	69.77	65.76
Ditto	99.52	95.73	93.94	90.94	96.21	90.92	87.92	86.93	86.28	75.30	70.28	63.32
FedFomo	99.54	96.92	91.92	90.93	96.18	90.91	88.91	85.91	86.07	76.07	70.08	66.07
FedAMP	99.57	96.84	92.94	90.94	96.20	89.92	86.92	84.92	86.30	75.29	69.29	63.31
APPLE	99.28	95.82	92.85	91.85	96.19	90.81	87.81	85.81	86.23	73.81	68.81	60.89
FedCP	99.45	96.90	93.92	90.92	96.03	90.87	88.86	86.86	86.16	75.75	68.74	61.79
GPFL	99.18	96.87	95.92	91.94	95.69	89.65	87.67	85.64	84.54	77.40	70.20	67.74
PFL-DA	99.62	94.94	93.94	91.14	95.45	90.93	88.93	86.93	86.29	76.31	69.31	60.33
FedAS	99.55	95.95	92.94	90.93	96.19	90.80	89.94	86.80	86.27	75.33	68.35	61.36
FedIEA	99.80	96.94	93.95	91.96	96.40	90.95	88.86	86.96	86.31	77.43	70.95	65.16

表9 默认实验设置下14种算法的AUC指标

Tab. 9 AUC metrics of 14 algorithms under default experimental settings

算法	MNIST	FashionMNIST	CIFAR-10
FedAvg	0.976 2	0.929 6	0.810 6
FedProx	0.977 8	0.925 8	0.842 2
FedLC	0.979 1	0.929 7	0.843 7
FedNTD	0.959 0	0.919 3	0.808 4
FedPer	0.999 1	0.998 1	0.989 5
Ditto	0.999 7	0.999 7	0.996 3
FedFomo	0.999 7	0.999 0	0.993 3
FedAMP	0.999 7	0.999 0	0.993 4
APPLE	0.996 0	0.990 3	0.989 2
FedCP	0.995 7	0.994 0	0.993 2
GPFL	0.997 3	0.997 1	0.991 6
PFL-DA	0.999 0	0.998 9	0.992 3
FedAS	0.999 7	0.999 1	0.993 5
FedIEA	0.999 8	0.998 5	0.998 4

表10 14种算法达到测试准确率所需的目标时间和通信流量

Tab. 10 Target time and communication traffic required for 14 algorithms to achieve test accuracy

算法	MNIST		FashionMNIST		CIFAR-10
算法	目标时间/s	通信流量/MB	目标时间/s	通信流量/MB	目标时间/s	通信流量/MB
FedAvg	5 642.88	93.31	6 479.67	93.31	5 648.98	140.81
FedProx	7 215.00	137.74	7 747.27	137.74	6 415.76	207.86
FedLC	5 663.54	93.35	5 122.56	93.35	5 789.52	140.85
FedNTD	8 384.00	95.53	8 330.14	95.53	8 098.56	144.46
FedPer	3 535.75	93.29	2 479.50	93.29	5 276.50	140.79
Ditto	2 423.07	249.32	2 626.65	182.18	3 184.80	274.91
FedFomo	3 796.25	226.62	5 039.05	226.62	4 913.46	341.97
FedAMP	2 423.07	137.74	1 896.49	137.74	2 478.60	207.86
APPLE	38 176.50	182.18	41 618.61	182.18	40 615.90	274.91
FedCP	9 636.12	495.91	10 587.81	495.99	12 674.98	528.17
GPFL	9 521.60	179.08	15 062.70	179.08	9 604.92	226.58
PFL-DA	1 651.86	91.91	835.58	91.91	3 240.12	140.27
FedAS	2 739.60	150.30	7 402.08	191.05	11 150.14	230.28
FedIEA	1 624.26	91.20	7 877.20	93.91	2 460.52	140.21

表11 动态场景参数下各算法测试准确率 ( %)

Tab. 11 Test accuracies of various algorithms under dynamic scene parameters

动态参数组合	FedAvg^［1］	FedProx^［13］	FedAMP^［20］	FedIEA
$v = 2 m / s, δ = 10 %, T = 500 m s, s = 5 %$	38.21	39.57	78.62	82.15
$v = 1 m / s, δ = 5 %, T = 350 m s, s = 2 %$	41.05	42.33	80.19	84.02
$v = 0.5 m / s, δ = 1 %, T = 200 m s, s = 0.5 %$	45.03	45.24	86.30	86.31

表11 动态场景参数下各算法测试准确率 ( %)

Tab. 11 Test accuracies of various algorithms under dynamic scene parameters

动态参数组合	FedAvg^［1］	FedProx^［13］	FedAMP^［20］	FedIEA
$v = 2 m / s, δ = 10 %, T = 500 m s, s = 5 %$	38.21	39.57	78.62	82.15
$v = 1 m / s, δ = 5 %, T = 350 m s, s = 2 %$	41.05	42.33	80.19	84.02
$v = 0.5 m / s, δ = 1 %, T = 200 m s, s = 0.5 %$	45.03	45.24	86.30	86.31

表12 不同算力节点组上各算法的测试准确率与方差

Tab. 12 Test accuracy and variance of each algorithm on different groups of computing power nodes

算法	准确率/%			准确率方差
算法	高算力节点	中算力节点	低算力节点	准确率方差
FedAvg	48.21	42.05	35.12	28.67
FedProx	49.15	43.22	36.89	25.33
FedAMP	87.02	84.19	79.56	9.81
FedIEA	86.53	85.91	84.82	3.24

表13 各算法在SAGIN典型任务下的性能 ( %)

Tab. 13 Performance of each algorithm in typical SAGIN tasks

算法	遥感图像解译		IoT设备检测		卫星流量检测
算法	准确率	AUC	准确率	AUC	准确率	AUC
FedAvg	58.21	0.821	62.33	0.856	55.19	0.803
FedAMP	83.15	0.973	87.05	0.981	81.22	0.968
PFL-DA	84.02	0.978	88.19	0.984	82.07	0.972
FedIEA	85.97	0.985	89.52	0.990	83.84	0.979

表14 分级隐私保护机制下的隐私-性能对比 ( %)

Tab. 14 Privacy-performance comparison under hierarchical privacy protection mechanism

算法	数据集	成员推理攻击	准确率		性能损失
算法	数据集	成员推理攻击	无隐私	有隐私	性能损失
FedAvg	MNIST	45.21	67.81	62.15	8.35
FedAvg	CIFAR-10	48.33	45.03	39.87	11.46
FedAMP	MNIST	28.15	99.87	97.02	2.85
FedAMP	CIFAR-10	30.22	86.30	82.19	4.76
FedIEA	MNIST	15.07	99.90	98.53	1.37
FedIEA	CIFAR-10	17.23	86.31	84.62	1.96

参考文献 37

[1]	McMahan H B， Moore E， Ramage D， et al. Communication-efficient learning of deep networks from decentralized data［J］. Proceedings of Machine Learning Research， 2017， 54： 1273-1282.
[2]	Zhang J， Hua Y， Wang H， et al. FedaLA： adaptive local aggregation for personalized federated learning［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2023， 37（9）： 11237-11244.
[3]	Li Y， Wen G. Research and practice of financial credit risk management based on federated learning［J］. Engineering Letters， 2023， 31（1）： No.28.
[4]	Alhafiz F S， Basuhail A A. Non-IID medical imaging data on COVID-19 in the federated learning framework： impact and directions［J］. COVID， 2024， 4（12）： 1985-2016.
[5]	Xu C， Xiao H， Li Z， et al. Diversified service oriented multimedia intelligent transmission in 6G space-air-ground-ocean heterogeneous network［J］. IEEE Wireless Communications， 2025， 32（2）： 130-138.
[6]	Fallah A， Mokhtari A， Ozdaglar A. Personalized federated learning with theoretical guarantees： a model-agnostic meta-learning approach［C］// NeurIPS 2020. Red Hook： Curran Associates Inc.， 2020： 3557-3568.
[7]	Chen H Y， Chao W L. On bridging generic and personalized federated learning for image classification［PP/OL］. V2. arXiv （2022-07-11）［2025-03-08］..
[8]	Zhang J， Hua Y， Wang H， et al. FedCP： separating feature information for personalized federated learning via conditional policy［C］// KDD 2023. New York： ACM， 2023： 3249-3261.
[9]	Yang L， Huang J， Li W， et al. Personalized federated learning on Non-IID data via group-based meta-learning［J］. ACM Transactions on Knowledge Discovery from Data， 2023， 17（4）： No.49.
[10]	Huang C， Chen G， Xiao P， et al. Fair resource allocation for hierarchical federated edge learning in space-air-ground integrated networks via deep reinforcement learning with hybrid control［J］. IEEE Journal on Selected Areas in Communications， 2024， 42（12）： 3618-3631.
[11]	Yang K， Wang Y， Gao X， et al. Communications in space-air-ground integrated networks： an overview［J］. Space： Science and Technology， 2025， 5： No.0199.
[12]	俞浩，范菁，孙伊航，等. 边缘异构下的联邦分割学习优化方法［J］. 计算机应用， 2026， 46（1）： 33-42.
	Yu Hao， Fan Jing， Sun Yihang， et al. Federated split learning optimization method under edge heterogeneity［J］. Journal of Computer Applications， 2026， 46（1）： 33-42.
[13]	Li T， Sahu A K， Zaheer M， et al. Federated optimization in heterogeneous networks［EB/OL］. （2018-12-14）［2025-04-28］..
[14]	Zhang J， Li Z， Li B， et al. Federated learning with label distribution skew via logits calibration［J］. Proceedings of Machine Learning Research， 2022， 162： 26311-26329.
[15]	Lee G， Jeong M， Shin Y， et al. Preservation of the global knowledge by not-true distillation in federated learning［C］// NeurIPS 2022. Red Hook： Curran Associates Inc.， 2022： 38461-38474.
[16]	Arivazhagan M G， Aggawal V， Singh A K， et al. Federated learning with personalization layers［PP/OL］. V1. arXiv （2019-12-02）［2025-04-28］..
[17]	张珂嘉，方志军，周南润，等. 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， 2026， 46（1）： 10-20.
	Zhang Kejia， Fang Zhijun， Zhou Nanrun， et al. Personalized federated learning method based on model pre-assignment and self-distillation［J］. Journal of Computer Applications， 2026， 46（1）： 10-20.
[18]	Li T， Hu S， Beirami A， et al. Ditto： fair and robust federated learning through personalization［J］. Proceedings of Machine Learning Research， 2021， 139： 6357-6368.
[19]	Zhang M， Sapra K， Fidler S， et al. Personalized federated learning with first order model optimization［PP/OL］. V4. arXiv （2021-03-26）［2025-05-10］..
[20]	Huang Y， Chu L， Zhou Z， et al. Personalized cross-silo federated learning on Non-IID data［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2021， 35（9）： 7865-7873.
[21]	Luo J， Wu S. Adapt to adaptation： learning personalization for cross-silo federated learning［C］// IJCAI 2022. California： IJCAI， 2022： 2166-2173.
[22]	Zhang J， Hua Y， Wang H， et al. GPFL： simultaneously learning global and personalized feature information for personalized federated learning［C］// ICCV 2023. Piscataway： IEEE， 2023： 5018-5028.
[23]	Shi N， Kontar R A. Personalized federated learning via domain adaptation with an application to distributed 3D printing［J］. Technometrics， 2023， 65（3）： 328-339.
[24]	Yang X， Huang W， Ye M. FedAS： bridging inconsistency in personalized federated learning［C］// CVPR 2024. Piscataway： IEEE， 2024： 11986-11995.
[25]	Zhao H， Ji F， Wang Y， et al. Space-air-ground-sea integrated network with federated learning［J］. Remote Sensing， 2024， 16（9）： No.1640.
[26]	Han D J， Fang W， Hosseinalipour S， et al. Orchestrating federated learning in space-air-ground integrated networks： adaptive data offloading and seamless handover［J］. IEEE Journal on Selected Areas in Communications， 2024， 42（12）： 3505-3520.
[27]	Qin Y， Yang Y， Tang F， et al. Differentiated federated reinforcement learning based traffic offloading on space-air-ground integrated networks［J］. IEEE Transactions on Mobile Computing， 2024， 23（12）： 11000-11013.
[28]	Li L， Zhu L， Li W. Privacy-preserving federated learning for space-air-ground integrated networks： a bi-level reinforcement learning and adaptive transfer learning optimization framework［J］. Sensors， 2025， 25（9）： No.2828.
[29]	Shi W， Li J， Cheng N， et al. Multi-drone 3-D trajectory planning and scheduling in drone-assisted radio access networks［J］. IEEE Transactions on Vehicular Technology， 2019， 68（8）： 8145-8158.
[30]	Lyu X， Ni W， Tian H， et al. Optimal schedule of mobile edge computing for Internet of Things using partial information［J］. IEEE Journal on Selected Areas in Communications， 2017， 35（11）： 2606-2615.
[31]	Kanellopoulos S A， Kourogiorgas C I， Panagopoulos A D， et al. Channel model for satellite communication links above 10GHz based on Weibull distribution［J］. IEEE Communications Letters， 2014， 18（4）： 568-571.
[32]	Zhao M， Chen C， Liu L， et al. Orbital collaborative learning in 6G space-air-ground integrated networks［J］. Neurocomputing， 2022， 497： 94-109.
[33]	Zhu Z， Hong J， Zhou J. Data-free knowledge distillation for heterogeneous federated learning［J］. Proceedings of Machine Learning Research， 2021， 139： 12878-12889.
[34]	Wu X， Zhang Y， Shi M， et al. An adaptive federated learning scheme with differential privacy preserving［J］. Future Generation Computer Systems， 2022， 127： 362-372.
[35]	Li H， Dou X， Tao C， et al. RSI-CB： a large-scale remote sensing image classification benchmark using crowdsourced data［J］. Sensors， 2020， 20（6）： No.1594.
[36]	Soltani M D， Purwita A A， Zeng Z， et al. Modeling the random orientation of mobile devices： measurement， analysis and LiFi use case［J］. IEEE Transactions on Communications， 2019， 67（3）： 2157-2172.
[37]	Zhou C， Wu W， He H， et al. Delay-aware IoT task scheduling in space-air-ground integrated network［C］// GLOBECOM 2019. Piscataway： IEEE， 2019： 1-6.

面向空天地一体化网络的个性化联邦学习智能边缘聚合方法

Personalized federated learning intelligent edge aggregation method for space-air-ground integrated networks

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 20

参考文献 37

相关文章 15

编辑推荐

Metrics

[1]	孙天乐, 曹腾飞. 车联网中基于Stackelberg博弈的联邦学习质量感知激励机制[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2229-2238.
[2]	钟琪, 张淑芬, 张镇博, 李涛. 基于梯度特征的联邦学习后门防御算法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2184-2195.
[3]	任志强, 陈学斌, 屈昌盛. 面向联邦学习中拜占庭攻击的主动防御框架[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2196-2207.
[4]	董汦楗, 顾瑞春. 融合动态特征对齐与温度感知聚合的联邦学习框架[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1746-1755.
[5]	俞浩, 范菁, 郗恩康, 金亚东, 董华, 孙伊航. 边缘异构下的高效联邦分割学习框架HEFSL[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1397-1407.
[6]	姜志, 陈学斌, 罗长银, 甄子业. 联邦学习中改进Kolmogorov-Arnold网络的混合优化框架[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1023-1033.
[7]	平欢, 夏战国, 刘思诚, 刘奇翰, 李春磊. 基于多层联邦学习的终端数据隐私保护方案[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 830-838.
[8]	王磊, 周文轩, 贾柠晖, 屈志昊. 面向隐私敏感物联网数据的联邦学习双向通信压缩[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 887-898.
[9]	马凯光, 陈学斌, 菅银龙, 王柳, 高远. 基于混合序列模型与联邦类平衡算法的网络入侵检测[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 857-866.
[10]	郗恩康, 范菁, 金亚东, 董华, 俞浩, 孙伊航. 联邦学习在隐私安全领域面临的威胁综述[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 798-808.
[11]	钟琪, 张淑芬, 张镇博, 菅银龙, 景忠瑞. 面向联邦学习的投毒攻击检测与防御机制[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 445-457.
[12]	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.
[13]	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》唯一官方网站, 2026, 46(1): 21-32.
[14]	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.
[15]	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.