2026年联邦学习数据采样策略考题(含答案与解析).docxVIP

2026年联邦学习数据采样策略考题(含答案与解析)

一、单项选择题（每题3分，共18分）

1.在联邦学习中，针对跨设备场景下用户数据分布高度非IID（Non-IndependentandIdenticallyDistributed）的问题，以下哪种采样策略最适合缓解因“长尾用户”数据量过少导致的模型性能偏差？

A.全局随机采样（GlobalRandomSampling）

B.基于数据量的分层采样（StratifiedSamplingbyDataVolume）

C.主动学习采样（ActiveLearningSampling）

D.均匀轮询采样（RoundRobinSampling）

答案：B

解析：非IID场景下，“长尾用户”通常指数据量极少或类别分布极端的参与设备。全局随机采样可能因概率问题导致这些用户被忽略；均匀轮询虽保证参与频率，但未考虑数据量差异；主动学习需额外标注成本，不适用于数据量本身不足的场景。分层采样按数据量分层（如大、中、小数据量设备），在每层内按比例采样，可确保不同规模设备的代表性，缓解长尾偏差。

2.某医疗联邦学习系统中，参与机构的影像数据存在“疾病类别倾斜”（如A机构70%为肺炎，B机构60%为肺癌），若需保证模型在所有疾病类别上的泛化能力，应优先采用以下哪种采样策略？

A.基于类别的分层