摘要
联邦学习（FL）允许在不集中原始数据的情况下进行协作模型训练，但构建和操作 FL 系统依然面临挑战，主要源于分布式执行、快速演变的框架以及隐私和治理要求。本文通过独立分析 495 条 Stack Overflow 帖子和 9,116 条来自 92 个与 FL 相关项目的 GitHub 问题和拉取请求，呈现了 FL 开发者面临的挑战。
我们采用基于 BERTopic 的主题建模和未解决率、平均解决时间等难度指标，描述了反复出现的问题领域，并比较了这些问题在 Stack Overflow 和 GitHub 两个平台上的表现。分析结果显示，Stack Overflow 上的九个主要主题和 GitHub 上的十三个主题中，持续的困难主要集中在环境设置与依赖兼容性、API 破裂与迁移、非 IID 数据下的训练不稳定性、评估与度量正确性以及隐私保护机制的集成等。
此外，我们还根据提问意图对帖子进行分类，以了解开发者寻求的帮助类型；意图分析显示，“如何”类型的问题占主导，反映了对程序指导的强烈需求。某些主题，如“TFF 安装与环境兼容性”和“联邦特征工程与 SecureBoost 问题”，表现出高未解决率和长解决时间，暗示工具、文档和调试支持方面的不足。
基于这些发现，我们为 FL 框架设计者、文档作者和教育工作者提供了可行的建议。尽管我们的结果仅限于公共讨论和一部分广泛讨论的框架，但本研究为持续监测开发者痛点并改善 FL 系统的可用性、可靠性和可部署性提供了一种可扩展的方法。
博主点评： 本文深入分析了联邦学习中的开发者痛点，强调了环境设置和 API 兼容性等关键问题，提供了针对性改进建议，具有重要的实践价值。开发者和框架设计者应关注这些痛点，以提升框架的易用性和可靠性。