单次联邦学习方法：实用指南
机器学习
2025-02-14 v1 人工智能
摘要
单次联邦学习(One-shot Federated Learning, OFL)是一种分布式机器学习范式，限制客户端与服务器之间的通信为单轮，解决传统联邦学习( FL)多轮数据交换所带来的隐私和通信开销问题。OFL在与需要协作训练模型的未来方法(如大语言模型)集成方面展现了实用潜力。然而，当前的OFL方法面临数据异构性和模型异构性两个主要挑战，导致性能不如传统FL方法。在数据异构性和模型异构性方面，尽管已有大量研究旨在解决这些限制，但缺乏全面总结。为填补这一空白，本文提出了对OFL面临挑战的系统性分析，全面综述了当前方法。我们还提供了创新的分类方法并分析了各种技术的权衡。此外，我们讨论了最具前景的未来方向以及应整合到OFL领域的技术。这一工作旨在为未来研究提供指导与见解。
引用
@article{arxiv.2502.09104,
title = {One-shot Federated Learning Methods: A Practical Guide},
author = {Xiang Liu and Zhenheng Tang and Xia Li and Yijun Song and Sijie Ji and Zemin Liu and Bo Han and Linshan Jiang and Jialin Li},
journal= {arXiv preprint arXiv:2502.09104},
year = {2025}
}
备注
10 pages, 1 figure