Stratify：通过平衡采样重新思考适用于非独立同分布（non-IID）数据的联邦学习方法

《Pattern Recognition》：Stratify: Rethinking federated learning for non-IID data through balanced sampling

　　

Hui Yeok Wong | Chee Kau Lim | Chee Seng Chan

• •
  Stratify 提出了一种新的引导式训练机制，该机制借鉴了分层抽样的思想，确保在非独立同分布（non-IID）环境下所有类别标签都能得到均衡的训练。
• •
  Stratify 采用基于标签的客户端选择机制，仅允许拥有与指定标签相关数据的客户端参与训练，从而保证能够接触到多样化的特征表示；同时通过同态加密技术保护客户端的标签隐私。
• •
  为了加速训练收敛速度，Stratify 集成了细粒度且频繁的模型更新机制。
• •
  实证评估表明，Stratify 的测试准确性与现有独立同分布（IID）基线方法相当，并且每位客户端的总计算工作负担更低，同时收敛速度更快。