应对 HAPS-enabled FL 网络中的 Non-IID 问题的战略客户选择
内容提要
该文综述联邦学习中的客户端选择技术，针对非独立同分布与异构数据导致的收敛慢、更新差异大等问题，介绍了HiCS-FL聚类抽样、Hybrid-FL协作机制、基于聚类的方差约减、FedACS个性化学习、混合剪枝个性化模型、无线资源联合优化、SocFedCS成本优化及无人机恶意节点排除等方案，并总结传统随机选择、性能与资源导向选择及安全增强等方向，指出动态约束与异构网络仍存开放挑战。
延伸解读
客户端选择为何成为非IID联邦学习的核心问题
文章指出，非独立同分布与异构数据会导致联邦学习收敛慢、模型更新差异大。客户端选择因此不只是资源调度问题，而是直接影响训练稳定性和效率的关键环节。从HiCS-FL用网络输出层更新估计异质性，到基于聚类的方差约减方案，核心思路都是先识别客户端数据分布差异，再决定抽样或分组策略，而非简单随机选择。
从聚类抽样到个性化：两条互补的技术路径
综述中既有HiCS-FL、Hybrid-FL等通过聚类或启发式算法缓解非IID影响的方案，也有FedACS、混合剪枝等个性化学习方法。前者侧重在全局训练中选出更具代表性的客户端组合，后者则允许客户端保留个性化参数或子网络。两者并不互斥：聚类抽样可改善全局模型收敛，个性化方法则处理数据稀缺和分布差异，实际系统可能需结合使用。
资源约束与安全因素正在重塑选择策略
文章覆盖了无线资源联合优化、SocFedCS成本优化以及无人机恶意节点排除等方向，说明客户端选择已从单纯追求模型性能扩展到兼顾通信、能量和信任。SocFedCS在四个多媒体数据集上平均测试准确率比最佳基线高2.06%、成本低12.24%，而UAV方案则强调排除恶意节点。这表明实际部署中，选择策略需在准确性、成本和安全性之间权衡。
开放挑战：动态约束与异构网络仍待解决
综述最后指出，动态约束和异构网络中的客户端选择仍是开放问题。现有方案多在特定实验设定下验证，如网络模拟或固定数据集，面对客户端动态加入退出、资源波动和攻击场景变化时，选择策略的鲁棒性仍需进一步检验。读者应关注这些方法从实验环境迁移到真实异构网络时的适应性和额外开销。
Q&A
联邦学习中的非独立同分布数据会带来哪些问题？
非独立同分布与异构数据会导致联邦学习收敛速度慢、模型更新差异过大等问题。
HiCS-FL 是如何进行客户端选择的？
HiCS-FL 通过客户端的网络输出层更新来估计客户端数据的统计异质性，并依赖这些信息对客户端进行聚类和抽样，从而在非独立同分布环境中实现更快的收敛和较低的训练方差。
FedACS 如何解决非独立同分布数据与数据稀缺问题？
FedACS 通过引入注意力机制提高具有相似数据分布的客户之间的协作，优化资源分配，从而推动个性化联邦学习领域的进步。
SocFedCS 在移动联邦学习网络中的优化目标是什么？
SocFedCS 通过信任网络在移动联邦学习网络中最小化成本并训练高质量的联邦学习模型，实验表明其平均测试准确率比最佳基线高 2.06%，成本低 12.24%。
在无人机联邦学习中如何排除恶意节点并增强收敛性？
通过优先考虑快速 UAV 和高可靠性评分，同时从训练中排除恶意 UAV，该方案在不同攻击场景中表现出抵抗性和模型准确性优势。
联邦学习客户端选择技术主要分为哪几类？
主要分为传统选择技术（如随机选择）、面向性能和面向资源的选择（适用于资源受限和异构网络），以及用于模型安全增强的客户端选择。
