均匀性与异构性数据分布下联邦学习聚合策略的比较研究
机器学习
2026-05-13 v1
摘要
联邦学习已成为分布式环境中协作式机器学习的变革性范式，但其性能严重依赖于用于合并服务器端本地模型更新的聚合策略，这直接影响学习性能、鲁棒性和系统行为。本工作对广泛使用的联邦聚合策略进行全面实验比较，分别在均匀和异构数据分布下进行。我们使用基准图像分类数据集，对不同聚合机制应对数据异构程度的响应进行分析，检视其对集中准确率和损失、以及系统级效率指标（包括聚合时间、训练时间和通信时间）的影响。结果表明，聚合策略在数据集和数据分布之间呈现出distinct的权衡，其有效性根据数据集特征和运行条件而异。
引用
@article{arxiv.2605.11010,
title = {A Comparative Study of Federated Learning Aggregation Strategies under Homogeneous and Heterogeneous Data Distributions},
author = {Antonios Makris and Christos Dousis and Emmanouil Kritharakis and Stavros Bouras and Konstantinos Tserpes},
journal= {arXiv preprint arXiv:2605.11010},
year = {2026}
}