近年来,随着数据孤岛问题的出现以及用户对数据隐私安全的顾虑,传统集中式机器学习方法受到了质疑,而联邦学习作为一种具有隐私保护的分布式机器学习技术,可以在数据不出本地的前提下,实现模型的联合训练。联邦学习自提出以来便受到学术界和工业界的密切关注,但依然存在诸多挑战。其中,针对数据异构性挑战,个性化联邦学习由于能对客户端进行个性化处理,为每个参与方训练出性能较好的个性化模型,成为了一种有效的解决方法。然而在数据异构场景下,现有的个性化联邦学习方法在分类数据集上的效果仍然有较大的提升空间。在个性化联邦学习中,还可以对客户端本地数据中的局部知识和客户端数据之间的全局知识做进一步地挖掘。为了克服上述缺陷,本章提出了相应的改进方法:1.针对全局知识未被更好地利用的问题,本文提出了一种基于原型对比学习的个性化联邦学习模型。在数据域异构场景下,本文设计了一种基于原型对比学习的个性化联邦学习模型。利用信息强化层的输出表征作为数据原型,与所有类别的全局原型计算对比损失,从而充分利用全局知识,缓解数据异构性的影响,提高模型的性能。本文通过实验验证了该模型的有效性。2.针对参数聚合缺乏个性化的问题,本文提出了一种新的个性化参数聚合策略。传统的联邦学习算法根据客户端数据量大小确定参数聚合的权重,缺乏个性化。本文设计了一种个性化的参数聚合策略,利用客户端级别的原型信息,计算客户端之间的相似度,从而实现个性化的参数聚合。本文通过实验验证了该参数聚合策略的有效性。3.针对局部个性化和全局泛化的权衡问题,本文提出一种基于多任务学习的个性化联邦学习模型。之前的个性化联邦学习方法,追求个性化的同时削弱了全局泛化能力。为此本文提出了一种基于多任务学习的个性化联邦学习模型。模型学习过程分成学习本地局部信息和学习全局信息两个任务,通过设计专家网络和门控网络,让模型权衡好本地模型训练时所用的局部信息和全局信息,充分挖掘本地数据分布和全局数据分布之间的隐式关系,提高个性化联邦学习模型的性能。本文通过实验验证了该模型的有效性。总的来说,本文针对数据异构场景下现有个性化联邦学习方法存在的不足之处进行了研究和改进,提出了一种基于原型对比学习的个性化联邦学习模型、新的个性化参数聚合策略以及一种基于多任务学习的个性化联邦学习模型,最后通过大量实验验证了所提出方案的可行性和有效性,该研究成果在个性化联邦学习领域具有一定的应用价值。