Auto-FL-Research：联邦学习算法的智能搜索框架

联邦学习（FL）研究长期面临一个核心难题：算法设计中的大量微小选择——优化器变体、服务器聚合规则、本地训练调度、归一化与正则化策略、模型架构等——不仅人工探索成本高昂，而且难以公平比较，因为候选变更可能同时改变训练或评估路径。近日，arXiv上发布的一项研究提出了Auto-FL-Research（AFR），一个基于约束编码代理的工作流，旨在自动化搜索联邦学习算法配方。

AFR的核心设计围绕“代理-任务”双角色展开。代理（Agent）可以提出并实现候选训练算法，包括服务器聚合规则、客户端更新调度、本地目标函数以及注册的模型变体；而任务配置文件则固定了突变表面、计算预算、通信契约和最终模型评估方式。每个搜索过程（campaign）都会记录候选算法的得分、运行时间、编辑过的文件、生成物以及失败状态。这种结构化记录使得后续分析能够区分哪些改进源于真正的FL机制变化，哪些只是超参数调优的副产品。

研究团队在五个医疗跨孤岛FL任务（FLamby基准）以及五个固定LEAF数据集（加上LEAF合成任务）的分组客户端配置上评估了AFR。五种子重复评估显示，AFR在四个FLamby任务和五个LEAF配置（共六个）上取得了性能提升，但同时也暴露了对种子敏感和搜索选择的失败案例。这一结果本身就构成了重要贡献：它展示了代理生成的候选方案可以被分离为可重复的FL机制、固定表面调优效应以及单次运行的伪影。

更值得关注的是，相同预算的控制实验表明，部分性能提升确实源于FL配方的改变，而另一些改进则可以通过固定表面的标量控制复现，或者在重复或保留评估中失效。这种混合结果恰恰揭示了自动化搜索框架的潜力与局限——它不仅能发现有效的算法组合，还能帮助研究者识别哪些改进是“真”的、可泛化的，哪些只是偶然的。

从技术角度看，AFR的设计体现了几个关键创新点。首先，它采用“约束编码代理”范式，代理在任务定义的边界内自由修改代码，但必须遵守计算预算、通信协议和评估协议，这保证了搜索空间的合理性和结果的可比性。其次，AFR的日志系统记录了完整的搜索轨迹，包括失败案例，这为后续的归因分析提供了数据基础。最后，AFR支持多种算法组件的组合搜索，从优化器、聚合规则到模型架构，覆盖了联邦学习研究的核心决策空间。

对于联邦学习社区而言，Auto-FL-Research提供了一个系统化的实验工具，有望加速算法迭代、减少人工试错成本。更重要的是，它引入了一种新的研究范式：不再依赖研究者手动设计实验，而是通过代理自动探索并记录完整的决策路径，从而推动联邦学习研究的可复现性和透明度。未来，该框架可能进一步扩展到更复杂的联邦学习场景，如异构客户端、动态网络拓扑和隐私预算约束等。