Trong bài báo này, chúng tôi phân tích sâu vấn đề về tính không đồng nhất của dữ liệu (không phải IID) trong học liên bang (FL), cho phép huấn luyện mô hình học máy cộng tác bằng cách sử dụng thông tin từ các máy khách phân tán. Đặc biệt, chúng tôi đo lường các loại tính không đồng nhất của dữ liệu khác nhau (nhãn, tính năng, khối lượng dữ liệu, bất đối xứng không gian-thời gian) chưa được giải quyết một cách có hệ thống trong các nghiên cứu trước đây bằng cách sử dụng khoảng cách Hellinger (HD) và so sánh và phân tích thực nghiệm hiệu suất của bốn chiến lược xử lý dữ liệu không phải IID hiện đại. Đặc biệt, chúng tôi phân tích toàn diện tác động của tính không đối xứng không gian-thời gian đến hiệu suất FL lần đầu tiên. Kết quả thực nghiệm cho thấy tính không đối xứng nhãn và không đối xứng không gian-thời gian có tác động đáng kể đến hiệu suất mô hình FL và sự suy giảm hiệu suất xảy ra đáng kể khi vượt quá ngưỡng HD nhất định. Chúng tôi xác nhận rằng hiệu suất FL bị suy giảm đáng kể trong các tình huống không phải IID cực đoan và đề xuất các hướng nghiên cứu cho FL để giải quyết hiệu quả tính không đồng nhất của dữ liệu.
