Non-IID（非独立同分布）

在联邦学习中，各客户端的数据通常来自不同用户或设备，其分布可能差异很大，且样本间可能相关，因此不满足独立同分布假设。Non-IID数据会导致全局模型收敛慢、性能下降，甚至无法收敛。针对此问题，研究者提出了多种算法，如FedProx通过添加近端项限制本地更新，SCAFFOLD使用控制变量减少客户端漂移。此外，数据共享、个性化联邦学习等方法也被探索。Non-IID是联邦学习核心挑战之一。