面向非独立同分布数据的基于数据协作分析的单轮聚类联邦学习
机器学习
2026-01-15 v1
摘要
联邦学习（FL）允许多个客户端在不共享原始数据的情况下进行分布式学习。当客户端间的统计异质性严重时，聚类联邦学习（CFL）可以通过将相似的客户端分组并训练聚类级模型来提升性能。然而，大多数 CFL 方法依赖多轮通信来进行聚类估计和模型更新，这限制了其在通信轮次受限条件下的实用性。我们提出了基于数据协作的聚类联邦学习（DC-CFL），这是一种单轮框架，仅使用 DC 分析中共享的信息即可完成客户端聚类和聚类级学习。DC-CFL 通过标签分布之间的总变差距离来量化客户端间的相似度，使用层次聚类估计聚类，并通过 DC 分析执行聚类级学习。在代表性非独立同分布条件下的多个开放数据集上的实验表明，DC-CFL 在仅需一轮通信的情况下，实现了与多轮基线相当的准确率。这些结果表明，当多轮通信不切实际时，DC-CFL 是协作式 AI 模型开发的实用替代方案。
引用
@article{arxiv.2601.09304,
title = {Single-Round Clustered Federated Learning via Data Collaboration Analysis for Non-IID Data},
author = {Sota Sugawara and Yuji Kawamata and Akihiro Toyoda and Tomoru Nakayama and Yukihiko Okada},
journal= {arXiv preprint arXiv:2601.09304},
year = {2026}
}
备注
9 pages, 3 figures