
Este experimento tiene como objetivo investigar el impacto de la heterogeneidad en la distribución de datos sobre el rendimiento de los algoritmos de aprendizaje federado. El experimento utiliza un número fijo de 3 clientes, cada uno representando un punto de muestreo. Se diseñan diecisiete niveles de heterogeneidad (0-16) para simular escenarios de distribución de datos que van desde completamente homogéneos hasta extremadamente heterogéneos. La estrategia de asignación de datos asigna un cliente objetivo a cada categoría de especie. Por ejemplo, 'zhaoshui' se asigna al cliente 2, 'xiaotuan' al cliente 0 y 'nizi' al cliente 1. El nivel de heterogeneidad 0 representa una distribución completamente uniforme, con cada categoría de especie representando aproximadamente el 33% en cada uno de los tres clientes. Los niveles de heterogeneidad 1-6 indican que la proporción de la categoría objetivo en el cliente objetivo aumenta gradualmente del 43% al 90%, con las muestras restantes distribuidas uniformemente a los otros dos clientes. Los niveles de heterogeneidad 7-15 indican que la proporción de la categoría objetivo en el cliente objetivo aumenta gradualmente del 91% al 99%, donde solo quedan 8-10 muestras de las otras dos especies en cada cliente además de la especie principal. El nivel de heterogeneidad 16 representa una heterogeneidad completa, con la categoría objetivo representando el 100% en el cliente objetivo y el 0% en los otros dos clientes. La categoría 'ruido' permanece distribuida uniformemente en todos los niveles de heterogeneidad. Los resultados de la evaluación para cada nivel de heterogeneidad en un conjunto de prueba independiente se muestran en la tabla.
Un diagrama esquemático en formato 16:9 con un fondo blanco,...