面向异构性考虑的鲁棒联邦学习进展：综述
机器学习
2025-03-11 v2
摘要
在异构性联邦学习领域，关键挑战是如何在数据分布、模型结构、任务目标、计算能力和通信资源不同的多个客户端之间高效协作训练模型。这种多样性导致显著的异构性，增加了模型训练的复杂性。本文首先概述了异构性联邦学习的基本概念，并总结了联邦学习研究中涉及五个方面的挑战：数据、模型、任务、设备和通信。此外，我们探讨了现有最先进方法如何应对联邦学习的异构性问题，并在数据层面、模型层面和架构层面对这些方法进行分类和综述。随后，本文广泛讨论了在异构性联邦学习环境中的隐私保护策略。最后，本文讨论了当前开放问题及未来研究方向，旨在推动异构性联邦学习的进一步发展。
关键词
引用
@article{arxiv.2405.09839,
title = {Advances in Robust Federated Learning: A Survey with Heterogeneity Considerations},
author = {Chuan Chen and Tianchi Liao and Xiaojun Deng and Zihou Wu and Sheng Huang and Zibin Zheng},
journal= {arXiv preprint arXiv:2405.09839},
year = {2025}
}