增强聚类联邦学习：策略集成与改进方法
机器学习
2025-03-04 v2
摘要
联邦学习（FL）是一种演进中的分布式机器学习方法，通过数据保留在边缘设备上来保障客户端隐私。然而，客户端间的数据差异给训练在所有局部分布上均表现优异的模型带来挑战。近期研究建议以聚类作为解决 FL 中客户端异质性的方案，将具有分布偏移的客户端分组至不同簇中。尽管如此，当前聚类 FL 方法所用的多样学习框架，使得这些方法难以集成、难以发挥其优势并进一步改进。为此，本文对现有聚类 FL 方法进行了透彻考察，并引入一个名为 HCFL 的四层框架，以涵盖并扩展现有方法。利用 HCFL，我们识别出各层中当前聚类方法持续存在的挑战，并提出称为 HCFL 的增强聚类方法以克服这些挑战。通过大量数值评估，我们展示了聚类框架与增强组件的有效性。代码见 https://github.com/LINs-lab/HCFL。
引用
@article{arxiv.2310.05397,
title = {Enhancing Clustered Federated Learning: Integration of Strategies and Improved Methodologies},
author = {Yongxin Guo and Xiaoying Tang and Tao Lin},
journal= {arXiv preprint arXiv:2310.05397},
year = {2025}
}
备注
ICLR 2025