FBFL：基于领域的数据异构性联邦学习领域协调方法
机器学习
2026-03-11 v5 人工智能
摘要
近年来，联邦学习（FL）已成为解决高隐私关注领域机器学习模型训练的流行方案。然而，联邦学习的可扩展性和性能在现实部署中面临着显著挑战，因为数据在各设备上呈现非独立同分布（non-IID）情况。数据分布的异构性常常源于设备的空间分布，导致缺乏恰当处理时模型性能下降。此外，联邦学习通常依赖中心化架构，引入瓶颈和单点故障风险，这在大规模或动态环境中尤其棘手。为弥合这一差距，我们提出基于领域的联邦学习（FBFL），一种利用宏编程和领域协调来通过：（i）分布式基于空间的领导者选举以实现针对非IID数据挑战的个性化；以及（ii）使用高级宏编程模式构建自组织的分层架构来解决这些限制。此外，FBFL不仅克服了上述限制，还能够开发针对每个子区域特定数据分布所定制的更专业模型。本文对FBFL进行形式化建模，并使用MNIST、FashionMNIST和Extended MNIST数据集进行广泛评估。我们证明，在IID数据条件下，FBFL的性能与广泛使用的FedAvg算法相当。 Furthermore，在具有挑战性的非IID情境下，FBFL不仅超越FedAvg，也超过了其他一些专为解决非IID数据分布问题而设计的先进方法，如FedProx和Scaffold。我们还展示了FBFL自组织分层架构对服务器故障的韧性。
引用
@article{arxiv.2502.08577,
title = {FBFL: A Field-Based Coordination Approach for Data Heterogeneity in Federated Learning},
author = {Davide Domini and Gianluca Aguzzi and Lukas Esterle and Mirko Viroli},
journal= {arXiv preprint arXiv:2502.08577},
year = {2026}
}