联邦学习是一种分布式机器学习框架,它允许具有计算能力的节点在不移动本地数据的情况下进行全局模型（也称之为联邦模型）的联合训练,其能有效保护数据隐私并减少计算负担,同时能取得与集中式训练的模型相当的性能。然而,联邦学习能取得上述效果多基于独立同分布假设,即各个节点上存储的数据是独立同分布的（Independent and Identically Distributed,IID）,并且最近的研究发现,当跨节点存储的数据是非独立同分布（Non-IID）时,联邦学习的性能和效率会出现显著下降。这种由Non-IID数据引起的数据异质性在实际的分布式场景中很常见,其极大地限制了联邦学习方法在实际场景中的应用。因此,数据异质性成为当前联邦学习面临的主要挑战之一。本文针对异质性数据的挑战,并基于现有关于异质性数据场景下联邦学习的研究成果,设计了两种联邦学习算法,分别从性能和效率两方面对联邦学习进行提升。重点工作和创新点如下:1.针对异质性数据下联邦学习性能显著下降的问题,本论文提出了动态加权联邦平均算法,该算法通过定义的数据异质性指标,重新设计了全局模型融合方法,以限制由异质性数据引起的模型发散,从而达到提升联邦学习性能的目的。在多个公开标准数据集的实验结果表明了动态加权联邦平均算法在异质性数据下对联邦学习性能的提升。2.针对异质性数据下联邦学习效率下降的问题,本论文设计了动态参与方选择算法,该算法基于各个节点的数据异质性程度以及历史模型训练效果,动态地改变每个节点参与训练的概率,使得模型能更快地学习到全局的数据知识,从而加快联邦模型的收敛,达到提升联邦学习效率的目的。同样地,在多个公开标准数据集上的实验结果表明了动态参与方选择算法能够有效地提升联邦学习的效率。3.搭建了面向异质性数据场景的联邦学习平台,其集成了经典的联邦学习算法以及本文提出的两个算法,以及常用的深度学习模型和公开数据集,并且用户可以通过交互界面设置详细的实验环境然后开展异质性数据场景下联邦学习的实验。此外,该系统还实现了联邦模型训练过程的实时显示。