इस शोधपत्र में, हम फ़ेडरेटेड लर्निंग (FL) में डेटा विषमता (गैर-IID) की समस्या का गहन विश्लेषण करते हैं, जो वितरित क्लाइंट्स से प्राप्त जानकारी का उपयोग करके सहयोगी मशीन लर्निंग मॉडल प्रशिक्षण को सक्षम बनाता है। विशेष रूप से, हम विभिन्न प्रकार की डेटा विषमता (लेबल, फ़ीचर, डेटा वॉल्यूम, स्थानिक-समय विषमता) को मापते हैं, जिन्हें हेलिंगर डिस्टेंस (HD) का उपयोग करके पिछले अध्ययनों में व्यवस्थित रूप से संबोधित नहीं किया गया है, और प्रयोगात्मक रूप से चार अत्याधुनिक गैर-IID डेटा प्रोसेसिंग रणनीतियों के प्रदर्शन की तुलना और विश्लेषण करते हैं। विशेष रूप से, हम पहली बार FL प्रदर्शन पर स्थानिक-समय विषमता के प्रभाव का व्यापक विश्लेषण करते हैं। प्रयोगात्मक परिणाम दर्शाते हैं कि लेबल और स्थानिक-समय विषमता का FL मॉडल प्रदर्शन पर महत्वपूर्ण प्रभाव पड़ता है, और एक निश्चित HD सीमा पार होने पर प्रदर्शन में उल्लेखनीय गिरावट आती है। हम पुष्टि करते हैं कि चरम गैर-IID स्थितियों में FL प्रदर्शन में उल्लेखनीय गिरावट आती है, और डेटा विषमता को प्रभावी ढंग से संबोधित करने के लिए FL के लिए शोध दिशाएँ सुझाते हैं।
