
Dieses Experiment zielt darauf ab, den Einfluss der Heterogenität der Datenverteilung auf die Leistung von Federated Learning Algorithmen zu untersuchen. Das Experiment verwendet eine feste Anzahl von 3 Clients, die jeweils einen Erhebungspunkt darstellen. Siebzehn Heterogenitätsstufen (0-16) sind entworfen, um Datenverteilungsszenarien zu simulieren, die von vollständig homogen bis extrem heterogen reichen. Die Datenzuordnungsstrategie weist jeder Spezieskategorie einen Ziel-Client zu. Zum Beispiel wird 'zhaoshui' Client 2, 'xiaotuan' Client 0 und 'nizi' Client 1 zugewiesen. Heterogenitätsstufe 0 repräsentiert eine vollständig gleichmäßige Verteilung, wobei jede Spezieskategorie in jedem der drei Clients etwa 33% ausmacht. Die Heterogenitätsstufen 1-6 zeigen, dass der Anteil der Zielkategorie im Ziel-Client allmählich von 43% auf 90% ansteigt, wobei die restlichen Stichproben gleichmäßig auf die anderen beiden Clients verteilt werden. Die Heterogenitätsstufen 7-15 zeigen, dass der Anteil der Zielkategorie im Ziel-Client allmählich von 91% auf 99% ansteigt, wobei neben der Hauptspezies nur noch 8-10 Proben der anderen beiden Spezies in jedem Client verbleiben. Heterogenitätsstufe 16 repräsentiert vollständige Heterogenität, wobei die Zielkategorie 100% im Ziel-Client und 0% in den anderen beiden Clients ausmacht. Die Kategorie 'noise' bleibt über alle Heterogenitätsstufen hinweg gleichmäßig verteilt. Die Evaluationsergebnisse für jede Heterogenitätsstufe auf einem unabhängigen Testdatensatz sind in der Tabelle dargestellt.
Ein schematisches Diagramm im 16:9-Format mit weißem Hinterg...