关于聚类联邦学习的调查:分类、分析与应用
《ACM Computing Surveys》:A Survey on Clustered Federated Learning: Taxonomy, Analysis and Applications
【字体:
大
中
小
】
时间:2026年08月30日
来源:ACM Computing Surveys 30.4
要查看此由AI生成的摘要,您必须拥有高级访问权限。
摘要
摘要
随着联邦学习(Federated Learning,FL)的扩展,非独立同分布(non-IID)数据的挑战变得日益重要。集群联邦学习(Clustered Federated Learning,CFL)通过训练多个专门化的模型来解决这一问题,每个模型代表具有相似数据分布的一组客户端。然而,“CFL”一词越来越多地被用于与数据异质性无关的操作策略,从而造成了显著的歧义。本调查对CFL文献进行了系统综述,并引入了一种分类算法的原则性分类方法,将这些算法分为服务器端、客户端和基于元数据的方法。我们的分析揭示了一个明显的二分法:虽然理论研究优先考虑保护隐私的服务器/客户端方法,但应用论文却压倒性地倾向于基于元数据的方法,更重视效率而非隐私。此外,我们明确区分了“核心CFL”(针对非IID数据对客户端进行分组)和“集群X FL”(针对系统异质性的操作变体)。最后,我们概述了从理论隐私到实际效率之间差距的解决措施和未来方向。
AI摘要
AI生成的摘要(实验性)
此摘要是使用自动化工具生成的,不由文章作者编写或审核。它旨在帮助发现相关内容、帮助读者评估文章的相关性,并协助来自相关研究领域的读者理解本文。它旨在补充作者提供的摘要,后者仍然是文章的官方摘要。完整文章是记录的权威版本。点击此处了解更多。
点击此处对该摘要的准确性、清晰度和实用性进行评论。这样做将有助于改进未来的生成版本。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号