联邦学习中的多目标方法：综述与分类法
机器学习
2025-07-10 v2 分布式、并行与集群计算
摘要
联邦学习范式在训练数据分散于多个客户端的场景下，促进了有效的分布式机器学习。随着该策略的普及，日益复杂的现实世界问题不断涌现，其中许多问题需要平衡相互冲突的需求，如公平性、效用和资源消耗。最近的研究已开始认识到采用多目标视角来应对这一挑战。然而，这种将联邦方法与多目标优化相结合的新颖方法，从未在两个领域的更广泛背景下被讨论过。在这项工作中，我们首次清晰而系统地概述了这两个领域可以整合的不同方式。我们提出了第一个关于多目标方法与联邦学习结合使用的分类法，提供了对当前最先进技术的针对性综述，并提出了明确的标签来对贡献进行分类。鉴于该领域的发展性质，我们的分类法旨在为进一步研究提供坚实基础，既能涵盖现有工作，又能预见未来的补充。最后，我们概述了开放性挑战和未来研究的可能方向。
引用
@article{arxiv.2502.03108,
title = {Multi-objective methods in Federated Learning: A survey and taxonomy},
author = {Maria Hartmann and Grégoire Danoy and Pascal Bouvry},
journal= {arXiv preprint arXiv:2502.03108},
year = {2025}
}