摘要
为了解决地理空间数据在联邦学习中的统计异质性和更新级隐私风险，本文提出了一个层次化解耦的协作框架，该框架将客户端隐私扰动与服务器端的一致性感知聚合相结合，并将治理作为系统级支持模块。在强非独立同分布（non-IID）的条件下，所提出的软权重聚合策略减轻了更新不匹配问题，并提高了收敛稳定性，同时不会过滤掉合法但分布有所偏移的客户端贡献。此外，风险感知的扰动机制能够动态调整各客户端之间的裁剪和噪声强度，以更好地平衡隐私保护和模型效用。进一步引入了链上治理和链下训练协调机制，以支持可审计和可追溯的协作，而不干扰主要的优化过程。在EuroSAT_RGB数据集上使用ResNet-18进行的实验结果表明，与现有基线方法相比，所提出的设计在训练稳定性方面表现更优，尤其是在数据异质性较强的情况下。这些发现强调了在统计异质性背景下，同时考虑隐私感知扰动和一致性感知聚合对于提高地理空间联邦学习中的训练稳定性和保持模型效用的重要性。
