2025KDD-runner up-HtFLlib: A Comprehensive Heterogeneous Federated Learning Library and Benchmark

一、文章主要内容总结

本文针对传统联邦学习（FL）仅支持同构模型、无法满足异构模型协作需求的局限，提出了首个异构联邦学习库与基准测试平台 HtFLlib。该框架旨在解决当前异构联邦学习（HtFL）研究中数据集不统一、模型异构场景多样、方法实现差异大导致的评估困难，以及在医疗、传感器信号等领域适用性未充分探索的问题。

HtFLlib 的核心资源包括：

1. 数据资源：涵盖图像、文本、传感器信号3种模态，包含标签偏斜、特征偏移、真实世界3类异构场景的12个数据集（如Cifar10/100、AG News、HAR等）；
2. 模型资源：40种异构模型架构，分为19个模型组，支持不同模态下的模型异构配置；
3. 方法实现：模块化集成10种代表性HtFL方法，分为部分参数共享、互蒸馏、原型共享3大类；
4. 评估体系：从准确率、收敛速度、计算成本、通信成本4个维度进行系统评估，覆盖多模态、多异构场景下的方法性能对比。

通过实验验证，HtFLlib 揭示了不同HtFL方法的适用场景：例如FedTGP在图像任务中表现优异，FedKD在文本和传感器信号任务中更具优势，FedMRL对模型异构性的鲁棒性最强等，并验证了框架在医疗等实际领域的应用价值。</