
Questo esperimento mira a investigare l'impatto dell'eterogeneità della distribuzione dei dati sulle prestazioni degli algoritmi di federated learning. L'esperimento utilizza un numero fisso di 3 client, ciascuno rappresentante un punto di rilevamento. Sono progettati diciassette livelli di eterogeneità (0-16) per simulare scenari di distribuzione dei dati che vanno da completamente omogenei a estremamente eterogenei. La strategia di allocazione dei dati assegna un client target a ciascuna categoria di specie. Ad esempio, 'zhaoshui' è assegnato al client 2, 'xiaotuan' al client 0 e 'nizi' al client 1. Il livello di eterogeneità 0 rappresenta una distribuzione completamente uniforme, con ciascuna categoria di specie che rappresenta circa il 33% in ciascuno dei tre client. I livelli di eterogeneità 1-6 indicano che la proporzione della categoria target nel client target aumenta gradualmente dal 43% al 90%, con i restanti campioni distribuiti uniformemente agli altri due client. I livelli di eterogeneità 7-15 indicano che la proporzione della categoria target nel client target aumenta gradualmente dal 91% al 99%, dove rimangono solo 8-10 campioni delle altre due specie in ciascun client oltre alla specie principale. Il livello di eterogeneità 16 rappresenta un'eterogeneità completa, con la categoria target che rappresenta il 100% nel client target e lo 0% negli altri due client. La categoria 'noise' rimane distribuita uniformemente su tutti i livelli di eterogeneità. I risultati della valutazione per ciascun livello di eterogeneità su un set di test indipendente sono mostrati nella tabella.
Uno schema schematico in formato 16:9 con sfondo bianco, nel...