基于组的元学习的个性化联邦学习在非独立同分布数据上的应用

个性化联邦学习（PFL）已经成为一种提供个性化模型的范式，可以契合每个客户端的本地数据分布。PFL的一个自然选择是利用元学习的快速适应能力，首先获得一个单一的全局模型，每个客户端通过使用本地数据微调全局模型来实现个性化模型。然而，现有的基于元学习的方法隐含地假设不同客户端之间的数据分布相似，这在联邦学习的数据异质性特性下可能不适用。在这项工作中，我们提出了一个基于组的联邦元学习框架，称为G-FML，它根据客户端的数据分布相似性自适应地将客户端划分为组，并在每个组内进行元学习以获得个性化模型。特别地，我们开发了一种简单而有效的分组机制，以自适应地将客户端划分为多个组。我们的机制确保每个组由数据分布相似的客户端形成，以便组级元模型能够实现“个性化”。通过这样做，我们的框架可以推广到高度异质的环境中。我们在三个异质基准数据集上评估了我们提出的G-FML框架的有效性。实验结果表明，我们的框架使模型的准确性相较于最先进的联邦元学习提高了多达13.15%。