PSI-PFL：非独立同分布个性化联邦学习中用于客户端选择的总体稳定性指数
机器学习
2025-06-03 v1
摘要
联邦学习（FL）通过将数据保留在客户端本地，实现了去中心化的机器学习（ML）模型训练，同时保护了数据隐私。然而，客户端间非独立同分布（non-IID）的数据带来了重大挑战，导致模型更新偏斜和性能下降。针对这一问题，我们提出了 PSI-PFL，这是一种用于个性化联邦学习（PFL）的新型客户端选择框架，它利用总体稳定性指数（PSI）来量化和缓解数据异质性（即所谓的 non-IIDness）。我们的方法基于 PSI 选择更同质的客户端，从而减少了标签偏斜（FL 性能中最有害的因素之一）的影响。在多种数据模态（表格、图像、文本）上的实验结果表明，PSI-PFL 显著提高了全局模型准确率，在 non-IID 场景下比最先进的基线高出 10%，同时确保了更公平的本地性能。PSI-PFL 增强了 FL 性能，并在数据隐私和异质性至关重要的应用中提供了实际益处。
引用
@article{arxiv.2506.00440,
title = {PSI-PFL: Population Stability Index for Client Selection in non-IID Personalized Federated Learning},
author = {Daniel-M. Jimenez-Gutierrez and David Solans and Mohammed Elbamby and Nicolas Kourtellis},
journal= {arXiv preprint arXiv:2506.00440},
year = {2025}
}