非独立同分布数据上的联邦学习：综述
机器学习
2021-06-15 v1 分布式、并行与集群计算
摘要
联邦学习是一种新兴的用于隐私保护的分布式机器学习框架。然而，联邦学习中训练的模型通常比标准集中式学习模式下训练的模型性能更差，尤其在本地设备上的训练数据非独立同分布（Non-IID）时。本综述详细分析了 Non-IID 数据对横向与纵向联邦学习中参数化及非参数化机器学习模型的影响。此外，回顾了当前处理联邦学习 Non-IID 数据挑战的研究工作，并讨论了这些方法的优缺点。最后，我们在总结之前提出了若干未来研究方向。
引用
@article{arxiv.2106.06843,
title = {Federated Learning on Non-IID Data: A Survey},
author = {Hangyu Zhu and Jinjin Xu and Shiqing Liu and Yaochu Jin},
journal= {arXiv preprint arXiv:2106.06843},
year = {2021}
}