基于进化策略与集群感知知识迁移的通信高效个性化联邦学习

本文推荐：FedECT框架创新性地结合进化策略（ES）和集群感知知识迁移，通过低维适应度向量传输替代高维梯度（压缩至FedAvg的5%），并引入优化增强参数实现相似客户端（K-means聚类）间的知识共享，在非独立同分布（Non-IID）数据下实现7%精度提升与14%通信成本降低。

　　

亮点

本研究首次将进化策略（ES）与集群感知知识迁移整合到统一联邦学习（FL）框架中。相较于依赖高维梯度传输的传统方法，我们仅传输基于局部扰动模型生成的低维适应度向量，通信开销锐减。通过动态聚类（欧氏距离+K-means）和集群内优化增强参数，有效促进相似客户端知识共享，在异构数据环境中同时提升个性化与通信效率。

结论

FedECT框架通过进化策略生成扰动模型种群，并基于适应度信息聚类客户端，实现相似客户端间的知识迁移与高效个性化优化。实验表明，该框架在5个数据集和4种模型上显著优于现有方法，为医疗健康、工业物联网等领域的隐私保护分布式学习提供了新范式。

（注：翻译严格遵循原文技术细节，如FedECT、Non-IID等术语保留首字母大写，K-means、欧氏距离等专业词汇加注英文缩写，并采用"锐减""范式"等生动表达增强可读性。）