自动化联邦学习中聚合策略选择
机器学习
2026-04-10 v1
摘要
联邦学习通过在不集中数据的情况下实现协作模型训练，但其有效性会因聚合策略的选择而有所不同。这种选择并非易题，因为性能在数据集、异构性水平和计算约束之间差异很大。我们提出了一个端到端框架，用于自动化、简化和适应联邦学习的聚合策略选择。该框架具有两种模式：单试验模式下，大语言模型从用户提供的或自动检测的数据特征中推断合适的策略；多试验模式下，轻量级遗传搜索在受限预算下高效地探索备选方案。广泛的实验表明，我们的方法在非IID条件下提高了鲁棒性和泛化能力，同时减少了对手动干预的需求。总体而言，本工作推动了联邦学习 towards accessible and adaptive，自动化了其最关键的设计决策之一——聚合策略的选择。
引用
@article{arxiv.2604.08056,
title = {Automating aggregation strategy selection in federated learning},
author = {Dian S. Y. Pang and Endrias Y. Ergetu and Eric Topham and Ahmed E. Fetit},
journal= {arXiv preprint arXiv:2604.08056},
year = {2026}
}