近些年来,联邦学习作为一种机器学习技术,受到了爆发式的关注。其核心思想在于:保护不同参与者的数据隐私安全性的同时,通过同态加密、隐私求交、交换中间数据等方式,尽可能充分地利用所有参与者的数据,来建立联邦学习AI模型,从而解决特定的任务。相比于分布式学习,联邦学习的参与者可能更加的广泛和灵活,包括:个人终端、机构、公司、数据中心和边缘服务器等等。并且参与联邦学习的各方只需要约定好接入联邦学习的数据维度和样本对齐方式等信息,就可以在无需暴露本地数据的组织方式、数据的来源、数据代表的含义等敏感信息的情况下,和其他联邦学习参与者合法合规地进行联邦学习的建模。联邦学习体现了集中收集和最小化的原则,可以降低传统的中心化机器学习和数据科学方法带来的许多系统上的隐私风险和成本。传统的分布式学习各个计算节点因为需要承受大量的数据传输,因此分布式系统通常部署在内网中。然而联邦学习系统的各个参与方通常来自于不同的机构/组织,大量的通信都必须通过公网进行传输,因此网络的带宽和稳定性通常会显著影响联邦学习的建模效率。同时,因为联邦学习保护了各个参与方的数据隐私安全,如何识别各个参与方质量参差不齐的数据对于建模的贡献也是一个巨大的挑战。针对上述问题,本文主要首先分别基于梯度信息和模型质量分别提出了两种方法来测量联邦学习各个参与方的贡献量。测量得出各方的贡献量能够较好的反映出不同参与者的数据质量差异,即反映出不同参与者对于联邦学习建模的贡献大小不同。进一步的,针对传统联邦学习中联邦参数服务器通常采用联邦平均的数据融合方式,即:使用相同的权重来等比例的将各方上传的中间数据进行融合。本文进行了改进,改进后的参数服务器能够根据各方数据质量的差异,自适应地对数据融合的比例进行调节。在相同的联邦学习训练参数设定下,可以显著地减少联邦学习建模训练的迭代轮数,提高联邦学习建模的收敛速度。最后,针对联邦学习框架在复杂网络拓扑场景,基于All Reduce算法设计并实现了一套联邦学习框架。框架可以支撑任意层数的参数服务器架构,使用分层的设计,从而大大减小跨公网通信的数据量,提高跨数据孤岛联邦学习建模的效率。同时,本文基于这套框架完成了所有的实验工作,证明了框架的高效性和本文所提出方法的优异性。