近日，信息科学与工程学院（人工智能学院）“联邦强化学习科研创新团队”在人工智能与物联网领域取得最新进展，相关成果发表在《IEEE Internet of Things Journal》（中科院分区1区Top期刊，影响因子8.9）上，论文题目为“FedCAD: Federated Learning with Clustering, Adaptive Selection, and Delayed Aggregation for Heterogeneous IoT Environments”。该文章以枣庄学院为第一署名单位，刘天教授为第一作者。

本研究针对物联网场景下联邦学习因数据异构导致的性能下降问题，从根源上提出解决方案。有别于现有方法对"权重散度"症状的被动缓解，FedCAD通过延迟跨组聚合、双特征设备聚类与公平感知自适应选择三个协同机制构成因果链式框架，确保全局模型在聚合前充分融合各设备组的知识，从根源上抑制权重散度，为资源受限的IoT系统提供了高效、可扩展的联邦学习解决方案。

该成果得到了山东省自然科学基金项目（No.ZR2023QF131、No.ZR2023MF061、No.ZR2025MS1036、No.ZR2025LH117）的资助。论文链接：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=11541062

（文图/刘天 编辑/陈烁如 审核/姬广华、杨振）