
Este experimento tem como objetivo investigar o impacto da heterogeneidade da distribuição de dados no desempenho de algoritmos de aprendizado federado. O experimento utiliza um número fixo de 3 clientes, cada um representando um ponto de coleta de dados. Dezessete níveis de heterogeneidade (0-16) são projetados para simular cenários de distribuição de dados que variam de completamente homogêneos a extremamente heterogêneos. A estratégia de alocação de dados atribui um cliente alvo a cada categoria de espécie. Por exemplo, 'zhaoshui' é atribuído ao cliente 2, 'xiaotuan' ao cliente 0 e 'nizi' ao cliente 1. O nível de heterogeneidade 0 representa uma distribuição completamente uniforme, com cada categoria de espécie representando aproximadamente 33% em cada um dos três clientes. Os níveis de heterogeneidade 1-6 indicam que a proporção da categoria alvo no cliente alvo aumenta gradualmente de 43% para 90%, com as amostras restantes distribuídas uniformemente para os outros dois clientes. Os níveis de heterogeneidade 7-15 indicam que a proporção da categoria alvo no cliente alvo aumenta gradualmente de 91% para 99%, onde apenas 8-10 amostras das outras duas espécies permanecem em cada cliente, além da espécie principal. O nível de heterogeneidade 16 representa heterogeneidade completa, com a categoria alvo representando 100% no cliente alvo e 0% nos outros dois clientes. A categoria 'ruído' permanece distribuída uniformemente em todos os níveis de heterogeneidade. Os resultados da avaliação para cada nível de heterogeneidade em um conjunto de teste independente são mostrados na tabela.
Um diagrama esquemático em formato 16:9 com fundo branco, no...