FedCure: 利用非 IID 数据缓解半异步联邦学习中的参与偏差
机器学习
2025-11-14 v1
摘要
虽然半异步联邦学习 (SAFL) 结合了同步训练的效率和异步更新的灵活性，但它本质上会受到参与偏差的影响，这种偏差因非 IID 数据分布而进一步加剧。更重要的是，层次化架构将参与从单个客户端转移到客户端组，从而进一步加剧了这一问题。尽管已有许多关于 SAFL 研究的突破，但大多数现有工作仍关注传统的云端-边缘-客户端架构，而基本上忽略了非 IID 数据对云端-边缘-客户端层次结构调度的关键影响。为了应对这些挑战，我们提出 FedCure，一种创新的半异步联邦学习框架，利用联盟构建和基于参与度的调度来缓解非 IID 数据下的参与偏差。具体而言，FedCure 通过三条关键规则运行：(1) 偏好规则通过最大化集体收益并建立理论上稳定的分区来优化联盟构建，以减少非 IID 引起的性能下降；(2) 调度规则将虚拟队列技术与贝叶斯估计的联盟动力学相结合，减轻效率损失并确保平均速率稳定；(3) 资源分配规则通过优化客户端 CPU 频率以满足延迟要求来增强计算效率。针对四个真实世界数据集进行全面实验表明，FedCure 相比四个最先进的基线提高了准确率，可达 5.1 倍，同时以最低的变异系数 0.0223 维持每轮延迟的效率，并在多样化场景中维持长期平衡。
引用
@article{arxiv.2511.10227,
title = {FedCure: Mitigating Participation Bias in Semi-Asynchronous Federated Learning with Non-IID Data},
author = {Yue Chen and Jianfeng Lu and Shuqing Cao and Wei Wang and Gang Li and Guanghui Wen},
journal= {arXiv preprint arXiv:2511.10227},
year = {2025}
}