基于本地训练数据统计的客户端条件化联邦学习
机器学习
2026-05-06 v2
摘要
在数据异构性下进行的联邦学习仍然具有挑战性：现有方法要么忽略客户端差异（FedAvg），要么需要昂贵的聚类发现（IFCA），或需维护每个客户端的模型（Ditto）。所有方法在数据稀疏或异构性多维时都会性能下降。我们提出通过对每个客户端训练数据的局部计算主成分统计量来对单一全局模型进行条件化，无需额外通信。我们在97种配置下进行评估，涵盖四种异构性类型（标签漂移、协变量漂移、概念漂移和组合异构性）、四个数据集（MNIST、Fashion-MNIST、CIFAR-10、CIFAR-100）以及七种联邦学习基线方法。我们发现该方法在所有设置下都与Oracle基线——即知道真实聚类分配的基线——表现相当， 在组合异构性上超越它1%~6%（因为连续统计量丰富于离散聚类标识符），且在所有测试方法中唯一具备稀疏性鲁棒性。
引用
@article{arxiv.2603.11307,
title = {Client-Conditional Federated Learning via Local Training Data Statistics},
author = {Rickard Brännvall},
journal= {arXiv preprint arXiv:2603.11307},
year = {2026}
}
备注
9 pages main + 16 pages appendix, 19 figures, 22 tables. Extended version of FLICS 2026 paper, with full experimental tables and figures provided as appendices