HERO：联邦持续学习的异构感知基准库

arXiv:2607.08784v1 公告类型：新 摘要：联合持续学习（FCL）评估分布式客户端如何从不断变化的数据流中学习，同时保留以前学到的知识。现有的评估很难进行比较，因为它们经常同时更改数据集、任务拆分、客户端数据拆分、任务顺序、主干、内存假设和报告规则。我们引入了 \textbf{HERO}，一个用于 FCL 的异构感知基准库。 HERO 通过分离经常耦合的三个选择来构建基准流，即任务拆分、客户端数据拆分和客户端任务序列。在主要的可比基准 HERO-Core 中，$\alpha$ 控制客户端数据偏差，$\rho$ 控制任务顺序不匹配。我们使用最终平均准确度、平均遗忘和底部 10% 的客户端准确度来评估 CIFAR-100 和 TinyImageNet 上的代表性 FCL 方法。我们还包括 OGB-MolPCBA 上基于图的 Domain-IL 可移植性案例研究，其中支架域粒度改变了输入分布，而预测任务保持固定。我们的结果表明，方法行为在简单和异构设置中发生变化，平均准确度可以隐藏较弱的底层客户端性能，任务顺序不匹配有利于同步评估的不同策略，并且相同的 HERO 界面可以暴露超出基于图像的 FCIL 的域转移困难。 HERO 发布基准流、配置、方法实现和报告脚本，以支持可重复和设置感知的 FCL 评估。