迈向单轮联邦学习：进展、挑战与未来方向
机器学习
2025-05-06 v1 人工智能
分布式、并行与集群计算
摘要
单轮联邦学习 (One-shot FL) 能够在单轮通信中完成协作训练，无需迭代通信，使其特别适用于资源受限和隐私敏感的应用。本综述对单轮联邦学习进行了全面审视，突显了其与传统联邦方法相比独特的运行框架。单轮联邦学习通过支持单轮模型聚合同时保持数据本地性，为资源受限设备提供支持。本综述系统地对现有方法进行了分类，重点介绍了客户端模型初始化、聚合技术以及管理异构数据分布策略方面的进展。此外，我们分析了当前方法的局限性，特别是在非独立同分布 (non-IID) 设置下的可扩展性和泛化能力。通过分析前沿技术并概述开放性挑战，本综述旨在为设计和实现单轮联邦学习系统的研究人员和从业者提供一份全面的参考，推动单轮联邦学习解决方案在现实世界资源受限场景中的发展和应用。
引用
@article{arxiv.2505.02426,
title = {Towards One-shot Federated Learning: Advances, Challenges, and Future Directions},
author = {Flora Amato and Lingyu Qiu and Mohammad Tanveer and Salvatore Cuomo and Fabio Giampaolo and Francesco Piccialli},
journal= {arXiv preprint arXiv:2505.02426},
year = {2025}
}