山东大学学报(工学版)

作者：周志刚,孙博洋,戴隆政,白增亮,苗钧重

单位：1.山西财经大学信息学院, 山西 太原 030006;2.哈尔滨工业大学网络空间安全学院, 黑龙江 哈尔滨 150006

关键词：联邦持续学习,参数隔离,神经网络,迁移学习,自适应算法,

基金：国家自然科学基金资助项目(61902226);山西省自然科学研究资助项目(202403021221217,202203021221218)

针对资源受限环境下联邦持续学习(federated continual learning, FCL)中的横向与纵向灾难性遗忘问题,提出一种基于模块化网络的自适应加权联邦持续学习(modular-based adaptive weighted federated continual learning, MAWFCL)方法,有效应对任务演化引发的模型知识保持与任务适应性挑战。通过构建可组合的基础参数模块与自适应控制参数,实现个性化模型构建与任务适配;引入模块相似度度量机制,提升知识复用效率;结合参数容量感知的精准遗忘策略,有效控制模型复杂度;设计基于参数距离的自适应聚合算法,缓解聚合过程中的知识冲突。试验结果表明,MAWFCL方法在准确率、灾难性遗忘抑制和通信效率方面优于现有方法,在CIFAR100数据集上的表现明显优于联邦生成重放学习(federated generative replay learning, FedGReL)方法和基于提示词的双重知识迁移(prompt-based dual knowledge transfer, Powder)方法,测试准确率分别提升10.93百分点和10.17百分点,在复杂任务中展现出显著优势。

来源：2026年第2期

《山东大学学报(工学版)》期刊编辑部

查看山东大学学报(工学版)杂志2026年第2期