聚类联邦学习综述：分类体系、分析与应用

《ACM Computing Surveys》：A Survey on Clustered Federated Learning: Taxonomy, Analysis and Applications

　　

摘要AI 摘要

要查看此 AI 生成的摘要，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

随着联邦学习（FL）的不断发展，非独立同分布（non-IID）数据的挑战日益关键。聚类联邦学习（CFL）通过训练多个专门化模型来应对这一问题，每个模型代表一组数据分布相似的客户端。然而，"CFL"这一术语越来越多地被用于与数据异质性无关的操作策略，造成了显著的歧义。本综述系统地回顾了CFL相关文献，并提出了一套有原则的分类体系，将算法分为服务器端、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元对立：理论研究优先考虑保护隐私的服务器端/客户端方法，而应用论文则普遍偏好基于元数据的方法，将效率置于隐私之上。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）与"聚类X FL"（应对系统异质性的操作变体）。最后，我们总结了经验教训并规划了未来方向，以弥合理论隐私保护与实际效率之间的差距。

AI 摘要

AI 生成摘要（实验性）

本摘要由自动化工具生成，未经论文作者撰写或审阅。其目的是支持文献发现、帮助读者评估相关性，并协助相邻研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍然是论文的主要概述。全文仍是权威版本。点击此处了解更多。

点击 此处 对本摘要的准确性、清晰度和实用性进行评论。这将为改进和未来的重新生成版本提供参考。

要查看此 AI 生成的通俗摘要，您需要拥有高级访问权限。