人工智能算法模型准确率的提高往往依赖不断地向模型注入大量数据样本来实现,但是由于隐私问题,一些数据敏感型企业难以进行数据共享来训练模型。联邦学习旨在破除数据孤岛,使企业能够在保障隐私的条件下,共建联邦模型。但联邦学习的一个突出问题就是参与方可能存在数据上的异构性。当参与方所持数据为非独立同分布时,各参与方会更倾向于将模型拟合向自身所持有的数据特征,从而使联邦模型的准确率大受影响。论文提出了本地截断联邦学习算法框架（Federated Learning with Local Trucation,FedLT）,在遵守隐私保护原则的前提下,解决非独立同分布环境中联邦模型准确率下降的问题。FedLT提出基于串行学习与数据切片的预训练算法,进行细粒度的知识迁移,作为剪枝训练的基础,使联邦模型在训练起始阶段能够融合并保留更多的均匀数据特征。FedLT提出基于损失的本地训练截断机制,针对参与方的本地更新过程细分阶段,及时截断弱参与方的本地训练,对其进行剪枝,降低其对全局联邦模型的影响。FedLT在剪枝训练的过程中加入了均匀性补偿机制,补偿训练过程中模型所遗忘掉的均匀性数据特征,与截断策略一起对并行训练所产生的权重分歧进行抑制。FedLT提出联邦统一平均算法对模型聚合的方式进行了优化,综合衡量参与方的模型更新方向、模型更新步长、数据集比例对联邦模型的影响。论文对FedLT算法框架在MNIST、Fashion-MNIST、THUCNews数据集上进行了对比实验。实验结果表明,相比于Federated Averaging和LoAdaboost算法,FedLT所得的联邦模型在不同数据分布形式的参与方下,均取得了测试准确率提升的效果,且不平衡性越大,FedLT对模型性能的改善幅度越大。在数据分布极度不平衡时,FedLT所得模型在三个数据集上的测试准确率分别最大提高了48.57%、37.45%、14.67%,并提升了算法模型的训练效率。