【文献阅读】关于异构联邦学习的调查（综述）

参考文献：A Survey on Heterogeneous Federated Learning

1 联邦学习中的异构问题

1. 数据异构

   1. 特征空间
   2. 标签空间
   3. ID空间

2. 统计异构

   一个数据集中的数据可能是non-iid的

   解决方法：个性化：1）先训练一个全局模型，然后每个参与方根据自己的数据集对全局模型进行微调 2）直接为所有参与方训练个性化的模型（聚类）

3. 系统异构

   系统级的异构可影响FL训练过程，如不同的硬件、网络连接、供能，导致不同的计算、通信、存储能力

2 Hetero-FTL（异构联邦迁移学习）与VFL的区别

VFL只能对重叠样本进行推理，Hetero-FTL可以通过迁移学习对不重叠的样本进行推理

VFL：在推理阶段，主动方将user ID发送给所有参与方，然后每个参与方将自己的特征输入到 模型中并联合地预测接到过。如果用户ID不存在，则不能直接进行模型推理。因此