FedAC: A Adaptive Clustered Federated Learning Framework for Heterogeneous Data

本文提出了一种名为“FedAC”的自适应聚类联邦学习框架，旨在通过将相似的客户端分组进行聚类模型训练，缓解联邦学习中数据异质性带来的性能下降问题。然而，当前的CFL方法由于全局和簇内知识集成不足以及缺乏高效的在线模型相似度度量而存在困难，同时将簇数视为固定的超参数限制了灵活性和鲁棒性。FedAC框架具有以下特点：（1）通过解耦神经网络并为每个子模块使用不同的聚合方法，有效地将全局知识整合到簇内学习中，从而显著提高性能；（2）包括一种基于降维的经济有效的在线模型相似度度量；（3）结合簇数微调模块，以提高在复杂、异构环境中的适应性和可扩展性。大量实验证明，与SOTA方法相比，在不同的非IID设置下，FedAC在CIFAR-10和CIFAR-100数据集上分别将测试准确率提高了约1.82％和12.67％，具有优异的实证性能。

解决问题：论文试图解决什么问题，或者验证什么假设？这是否是一个新问题？

关键思路：论文中解决问题的方案关键思路是什么？相比当前这个领域的研究状况，这篇论文的思路有什么新意？

其他亮点：论文提出了一种自适应聚类联邦学习框架FedAC，通过在子模块上使用不同的聚合方法来高效地将全局知识融入到聚类内部学习中，同时使用基于降维的在线模型相似度度量方法，提高了性能。在复杂、异构的环境下，FedAC还包括一个聚类数微调模块，以提高适应性和可扩展性。实验结果表明，FedAC相对于SOTA方法，在不同的非IID设置下，将CIFAR-10和CIFAR-100数据集的测试准确性分别提高了约1.82％和12.67％。

相关研究：最近在这个领域中，还有哪些相关的研究被进行？能否列举一些相关研究的论文标题？