Dans cet article, nous analysons en profondeur le problème de l'hétérogénéité des données (non-IID) en apprentissage fédéré (AF), qui permet l'entraînement collaboratif de modèles d'apprentissage automatique en utilisant les informations de clients distribués. Plus précisément, nous mesurons différents types d'hétérogénéité des données (étiquette, caractéristique, volume de données, asymétrie spatio-temporelle) qui n'avaient pas été systématiquement abordés dans les études précédentes à l'aide de la distance de Hellinger (HD), et comparons et analysons expérimentalement les performances de quatre stratégies de traitement de données non-IID de pointe. Plus précisément, nous analysons pour la première fois de manière exhaustive l'impact de l'asymétrie spatio-temporelle sur les performances de l'AF. Les résultats expérimentaux montrent que l'asymétrie d'étiquette et l'asymétrie spatio-temporelle ont un impact significatif sur les performances du modèle d'AF, et qu'une dégradation significative des performances se produit lorsqu'un certain seuil de HD est dépassé. Nous confirmons que les performances de l'AF sont significativement dégradées dans les situations extrêmes non-IID, et suggérons des pistes de recherche pour que l'AF puisse traiter efficacement l'hétérogénéité des données.
