待验证50% 置信事实精确时间
非独立同分布（non-IID）数据是联邦学习中最典型的统计异构性来源，会导致客户端漂移（client drift），表现为收敛震荡、精度下降和对某些客户端的系统性偏见。
1
来源数
50%
置信度
长期有效
时效性
2026/10/30
首次发现
来源
涉及实体
相关事实
待验证鲁棒聚合方法在非独立同分布（non-IID）数据下可能将正常客户端的合法更新误判为异常，因为不同客户端的数据分布差异本身就会导致梯度方向发散。77% 相似待验证数据异构性在联邦场景中常被称为 Non-IID 问题，即不同客户端的数据分布不一致。76% 相似待验证当各客户端数据分布存在统计异质性时，全局模型倾向于迎合数据量大、分布主流的客户端，使偏离主流的客户端表现出明显更差的本地精度65% 相似待验证领域偏移（domain shift）指模型在训练数据分布与部署数据分布不一致时出现的性能衰减。65% 相似已验证数据漂移（Data Drift）指生产环境中输入数据的统计分布随时间发生变化，导致模型接收数据与训练时分布不匹配64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1113854API
curl https://kongchang.com/api/v1/knowledge/claims/1113854MCP
get_claim(id=1113854)