在联邦学习（FL）的实际应用中，客户端数据的非独立同分布（Non-IID）性是影响模型收敛和性能的主要瓶颈之一。本文将介绍如何使用 NVIDIA FLARE（NVIDIA Federated Learning Application Runtime Environment）构建一个高级联邦学习实验，在 Non-IID CIFAR-10 数据集上对比经典的 FedAvg 和改进版的 FedProx 算法。
实验首先通过 Dirichlet 分布（狄利克雷分布，参数 $\alpha = 0.3$）对 CIFAR-10 数据集进行非对称划分，从而在 3 个虚拟客户端之间模拟出高度逼真的标签不平衡（Label Skew）场景。我们将使用 NVFlare 的 Job API 来定义和运行联邦作业，而 Client API 则负责处理本地训练、模型权重交换以及客户端与服务器之间的通信。
在环境准备阶段，我们需要安装所需的依赖库，并初始化全局超参数，包括客户端数量（3个）、训练轮数（5轮）、本地 Epochs（1次）、Dirichlet 因子 alpha（0.3）等，同时在本地安全下载 CIFAR-10 数据集以供所有虚拟客户端共享：
!pip install -q "nvflare>=2.5" torch torchvision matplotlib在客户端脚本的实现中，我们定义了一个简洁的 CNN 架构，并利用确定性的 Dirichlet 划分算法。所有客户端进程在数据切分时使用相同的随机种子，以确保它们能独立对全局数据集达成一致的划分，避免传统联邦模拟中的数据冲突。
最后，我们在相同的划分数据集上运行 FedAvg 与 FedProx 算法。FedProx 通过引入近端项（Proximal Term），限制了本地更新偏离全局模型的程度，从而在数据高度异构（Non-IID）的环境下展现出了优于 FedAvg 的收敛稳定度与准确率。
【AgentUpdate 深度解析】联邦学习正在迅速成为未来多智能体系统（Multi-Agent Systems）协作进化的安全底层基石。在医疗、金融等隐私敏感的 AI Agent 落地场景中，单一 Agent 极易受困于局部数据的“信息孤岛”。通过 NVIDIA FLARE 联邦框架，异构的 AI Agent 可以在不共享原始用户隐私、不暴露敏感交互日志的前提下，利用 FedProx 等算法对抗本地行为漂移，实现群体智能的联合演进。这种“联邦 Agent 学习”模式，不仅解决了数据合规问题，还通过分布式协同让每个 Agent 动态吸收全局智慧，是构建真正安全、高泛化性多智能体生态的必由之路。
