Bài báo này đề xuất phương pháp Học liên hợp dựa trên trường (FBFL), một phương pháp học liên hợp (FL) mới để huấn luyện các mô hình học máy trong môi trường phân tán. Để giải quyết vấn đề khả năng mở rộng và suy giảm hiệu suất của FL hiện có, đặc biệt là những vấn đề do phân phối dữ liệu không độc lập và phân tán giống hệt nhau (không phải IID), FBFL tận dụng lập trình vĩ mô và phối hợp trường. Cụ thể, nó giảm thiểu vấn đề dữ liệu không phải IID bằng cách thực hiện cá nhân hóa thông qua việc bầu chọn người dẫn đầu phân tán theo không gian và xây dựng một cấu trúc phân cấp tự tổ chức để giải quyết các điểm nghẽn và điểm lỗi đơn lẻ trong các kiến trúc tập trung. Kết quả thử nghiệm sử dụng các tập dữ liệu MNIST, FashionMNIST và MNIST mở rộng chứng minh rằng FBFL hoạt động tương tự như FedAvg trong điều kiện dữ liệu IID và vượt trội hơn các phương pháp tiên tiến hiện có như FedProx và Scaffold trong điều kiện dữ liệu không phải IID. Hơn nữa, chúng tôi chứng minh tính mạnh mẽ của kiến trúc phân cấp tự tổ chức của FBFL trước các lỗi máy chủ.
