SCALA：使用连接激活和逻辑调整进行分割联合学习
内容提要
本文探讨了分割联邦学习（SFL）在高度异构数据上的应用，提出了MiniBatch-SFL和AdaptSFL等新算法，以提高模型的准确性和训练性能。研究表明，SFL结合了联邦学习和分裂学习的优点，有效解决了数据隐私和计算效率问题。实验结果显示，S^2FL在推断准确性和训练速度上均有显著提升。
延伸解读
SFL 的收敛性分析挑战
文章指出，由于客户端和主服务器之间可能存在双节奏更新，分割联邦学习（SFL）的分析比联邦学习（FL）更具挑战性。针对异构数据，文章提供了强凸和一般凸目标下的收敛性分析，这为理解 SFL 的理论基础提供了重要支撑。
MiniBatch-SFL 的准确性提升
MiniBatch-SFL 算法通过将模型在切割层处分为两部分，在减轻客户端计算负载的同时解决了客户端偏移问题。实验证明，在高度非独立同分布数据上，其准确性比传统 SFL 和 FL 分别提升可达 24.1% 和 17.1%，显著改善了异构数据下的模型性能。
AdaptSFL 的资源自适应框架
AdaptSFL 框架通过模型分割和客户端模型聚合，适应资源受限的边缘计算系统，以加速分割联邦学习并实现更好的训练性能。这一设计针对边缘设备的资源限制，提升了训练效率，为实际部署提供了可行方案。
S^2FL 的滑动拆分与数据平衡
S^2FL 方法采用自适应滑动模型拆分策略和基于数据平衡的训练机制，以解决数据异构性和滞后问题。实验结果显示，与传统的 SFL 相比，S^2FL 的推断准确性提高了 16.5%，训练速度加快了 3.54 倍，在 AIoT 系统中展现出潜力。
Q&A
什么是分割联邦学习（SFL）？
分割联邦学习（SFL）是一种结合了联邦学习和分裂学习优点的算法，旨在解决数据隐私和计算效率问题。
MiniBatch-SFL算法的主要优势是什么？
MiniBatch-SFL算法通过将模型在切割层处分为两部分，提升了在高度非独立同分布数据上的准确性，分别提高了24.1%和17.1%。
AdaptSFL框架是如何提升训练性能的？
AdaptSFL框架通过模型分割和客户端模型聚合，适应资源受限的边缘计算系统，从而加速分割联邦学习并提升训练性能。
S^2FL方法的创新之处在哪里？
S^2FL方法采用自适应滑动模型拆分策略和基于数据平衡的训练机制，推断准确性提高了16.5%，训练速度加快了3.54倍。
SFL与分裂学习（SL）相比有什么优势？
SFL在计算时间上比分裂学习更短，同时保持与SL相似的测试准确性和通信效率，适合资源受限环境。
分割联邦学习在AIoT系统中的潜力是什么？
由于资源约束场景的优势，分割联邦学习在AIoT系统中具有很大的应用潜力，能够有效处理数据异构性和滞后问题。
