综述：联邦学习：核心挑战、当前方法与机遇的综述 Madan Baduwal, Priyanka Paudel, Vini Chaudhary

《Computers》：Federated Learning: A Survey of Core Challenges, Current Methods, and Opportunities Madan Baduwal, Priyanka Paudel and Vini Chaudhary

　　

摘要

联合学习（FL）作为一种颠覆性的分布式学习范式应运而生，它能够在不共享原始数据的情况下实现模型的协作训练，从而保护了大规模、多样化的且地理分布广泛的客户端用户的隐私。尽管联合学习在移动网络、物联网（IoT）系统、医疗保健、金融和边缘智能领域得到了快速应用，但它仍然面临着一些持续存在的、相互关联的挑战，这些挑战阻碍了其可扩展性、效率以及实际应用。在这项调查中，我们系统地分析了联合学习中的六个核心问题：异构性、计算开销、通信瓶颈、客户端选择、数据聚合与优化以及隐私保护。我们探讨了这些问题在整个联合学习流程中的表现，从本地训练和客户端参与开始，到全局模型聚合与分发，并研究了它们对模型性能、收敛行为、公平性和系统可靠性的影响。此外，我们综合了目前提出的各种解决方案，并讨论了它们的基本假设、权衡以及在实际应用中的局限性。最后，我们指出了尚未解决的研究问题，并概述了开发更加健壮、可扩展和高效联合学习系统的前景方向。这项调查旨在为研究人员和从业者提供一个全面的参考，帮助他们统了解决现代联合学习所面临的基本挑战。