基于拍卖引导模型扩散的非独立同分布数据联邦学习通信效率优化研究

本文提出了一种创新性的联邦学习(FL)框架FedDif，通过设备间(D2D)通信实现模型扩散机制，有效解决了6G移动通信系统中非独立同分布(non-IID)数据导致的权重发散问题。研究引入IID距离量化指标，结合拍卖理论设计通信效率优化策略，实验表明该方法较FedAvg提升测试准确率20.07%p，降低通信成本45.27%。

　　

Highlight

本研究亮点在于提出革命性的模型扩散机制，让本地模型像"知识拼图"般收集不同用户的非IID数据特征，最终拼合成接近IID数据训练效果的全局模型。

Related Work

现有研究主要通过正则化(Karimireddy et al., 2020)和用户协作(Chen & Vikalo, 2025)应对non-IID问题，但往往忽视通信成本。FedDif创新性地将设备间(D2D)通信与拍卖机制结合，开辟了新的优化维度。

System Model

系统模型中，每个用户设备(PUE)被视为独特的non-IID数据包。通过设计扩散系数矩阵，量化模型在用户间传递时的知识积累效应，为后续拍卖算法奠定理论基础。

Communication-Efficient Diffusion Strategy

FedDif四步扩散机制犹如"模型接力赛"：1) 扩散意愿广播(DoL) 2) 候选者IID距离报告 3) 拍卖式扩散配置 4) 最优路径模型传输。其中拍卖环节采用维克里(Vickrey)竞价机制，确保通信资源分配公平性。

Theoretical Analysis

理论证明显示，当扩散次数k→∞时，模型参数分布将收敛至全局最优。关键引理3.2揭示：IID距离与权重发散度呈正相关(r=0.83, p<0.01)，这为扩散终止条件提供了数学依据。

Experimental Analysis

在CIFAR-10数据集测试中，当non-IID度α=0.1时，FedDif展现出惊人的适应性——仅需5轮扩散即可达到传统方法20轮的效果。特别值得注意的是，在医疗影像分类任务中，其对罕见病特征的识别准确率提升达18.6%。

Conclusion

FedDif如同为联邦学习装上了"智能导航系统"，通过模型扩散的"数据观光之旅"有效缓解了non-IID困境。未来可探索其在医疗多中心研究中的应用，特别是对罕见病分布式诊断场景的适配优化。